DEPARTAMENTO DE GEOGRAFIA PROGRAMA DE PS-GRADUAO EM GEOGRAFIA MESTRADO
Adriana Oliveira Barros
APLICABILIDADE DA LGICA FUZZY PARA CLASSIFICAO DO USO DA TERRA NA BACIA DO RIO TENENTE AMARAL EM JACIARA/MT
C U I A B - MT 2011
Adriana Oliveira Barros
APLICABILIDADE DA LGICA FUZZY PARA CLASSIFICAO DO USO DA TERRA NA BACIA DO RIO TENENTE AMARAL EM JACIARA/MT
Dissertao apresentada ao Programa de Ps-Graduao em Geografia da Universidade Federal de Mato Grosso como requisito parcial para obteno do ttulo de mestre em Geografia, sob orientao da Professora Dr. Lunalva Moura Schwenk.
Orientadora: Lunalva Moura Schwenk
Cuiab 2011
Adriana Oliveira Barros
APLICABILIDADE DA LGICA FUZZY PARA CLASSIFICAO DO USO DA TERRA NA BACIA DO RIO TENENTE AMARAL EM JACIARA/MT
Aprovada em: 01/12/2011
Banca Examinadora:
Orientadora: Prof. Dr. Lunalva Moura Schwenk Departamento de Geografia- UFMT
Examinador Interno: Prof. Dr. Peter Zeilhofer Departamento de Geografia- UFMT
Examinadora Externa: Prof Dr.Carla Bernadete Madureira Cruz Departamento de Geografia- UFRJ
Cuiab-MT 2011
Dedico aos meus pais e ao meu esposo, pelo constante incentivo a minha jornada acadmica. A vocs, meu profundo carinho.
Este espao dedicado queles que deram a sua contribuio para que esta dissertao fosse realizada. A todos eles deixo aqui o meu agradecimento sincero. Agradeo a Deus, onde busquei fora nos momentos de dificuldades e por ter me proporcionado sade, tornando este momento real; A minha famlia pelo incentivo a minha jornada acadmica; Ao meu esposo Mrcio Castanha, pelo companheirismo e as valiosas contribuies geogrficas a mim cedidas; Aos meus pais Benedito e Neide, por me oferecer o melhor em termos de educao e formao de carter; A minha orientadora, Lunalva Moura Schwenk, por sempre acreditar no meu esforo, pelos ensinamentos e pela amizade; Ao Professor Peter Zeilhofer, pela amizade e pelos conhecimentos transmitidos durante a realizao desta dissertao, nos quais foram extremamente valiosos; A Professora Carla Madureira pela correo do trabalho e sugestes; Agradeo aos meus amigos Adelaine, Marcos Antnio e Roberto pelos estmulos e contribuies; A todos os colegas do Laboratrio de Geoprocessamento; Aos professores do programa de mestrado em Geografia; E a todos que direta ou indiretamente contriburam para realizao deste trabalho, deixo aqui meus sinceros agradecimentos.
Porque melhor a sabedoria do que os rubis, e de tudo que se deseja nada se pode comparar com ela. Provrbios 8:11. RESUMO
Tcnicas tradicionais de classificao de imagens multiespectrais tem sido a ferramenta usual para o mapeamento temtico da cobertura da terra. Tais tcnicas foram projetadas para tratar fenmenos que apresentam limites bem definidos e que podem ser facilmente discretizados. Contudo, existem regies de incertezas e imprecises a serem mapeadas, as quais demandam tcnicas alternativas, como classificaes baseadas em abordagem fuzzy. Desta maneira, este trabalho teve como objetivo classificar o uso da terra na bacia do rio Tenente Amaral atravs de um algoritmo de lgica fuzzy, tcnica classificatria supervisionada, no-paramtrica, utilizando uma imagem Landsat-TM e camadas temticas pr-existentes. Para tanto, fez-se necessrio a gerao de um banco de dados atravs de levantamentos e gerao de mapas temticos com uso das tcnicas de sensoriamento remoto e anlise espacial, utilizando os softwares ArcGis 9.3, Spring 5.1.7 e IDRISI Andes 15.0. As assinaturas espectrais das culturas agrcolas foram analisadas a partir das amostras de campo com apoio da imagem e extrados histogramas das classes temticas de mapas pedolgicos e declividade do terreno, que serviram de amostragem para o desenvolvimento da classificao fuzzy. A validao do mapeamento foi feito atravs do ndice de Kappa, cujo valor foi (0.8432), de acordo com tal resultado, a classificao pode ser considerada boa a excelente. Contudo o trabalho demonstra a necessidade de se fazer novos testes com a incorporao de novos dados para que se possa ter melhores produtos de classificao do uso da terra por abordagens fuzzy.
Palavras-Chave: Sensoriamento remoto, Classificao de uso da terra, Lgica Fuzzy.
ABSTRACT
Traditional techniques of classification of multispectral images have been the customary tool for thematic mapping of land cover. Such techniques were designed to deal with phenomena that show well-defined limits and can be easily discretized. There are, however, regions of uncertainty and inaccuracies to be mapped, which require alternative techniques, such as classifications based on fuzzy approach. This work, therefore, aimed to classify the use of land in the drainage basin of the Tenente Amaral river trough a fuzzy logic algorithm, supervised classificatory technique, non- parametric, utilizing a Landsat-TM image and pre-existent thematic layers. For this, it was required the generation of a database trough data survey and generation of thematic maps with the remote sensing techniques and spatial analysis, utilizing the following software: ArcGis 9.3, Spring 5.1.7 and IDRISI Andes 15.0. The spectral signatures of agricultural crops were analyzed from field samples along with satellite image, and histograms of the thematic classes of pedologic maps and steepness of the terrain were extracted, which were used as samples in the development of the fuzzy classification. The validation of the mapping was done with the kappa index, whose value was (0.8432),according to said result, the classification can be considered good to excellent. However, the work demonstrates the need to make new tests with new data in order to have better results in the classification of land usage by fuzzy approaches.
Key-words: Remote sensing, land usage classification, Fuzzy logic.
LISTA DE FIGURAS
Figura1: Comprimento de ondas em estgiovegetao............................................22 Figura 2: Funes de pertinncia - conjuntos clssicos (a) e conjuntos fuzzy (b)...............................................................................................................................23 Figura 3: Exemplo de graus de pertinncia pixel......................................................24 Figura 4: Localizao da rea de estudo...................................................................31 Figura 5: reas de pastagens na bacia do rio Tenente Amaral................................32 Figura 6: Cultivo de algodo na bacia Tenente Amaral.............................................33 Figura 7: Cultivo da Crolatria na bacia do rio Tenente Amaral................................34 Figura 8: Cultivo de Cana-de-acar.........................................................................35 Figura 9: Diferentes fitofisionomias do Cerrado........................................................36 Figura 10: Remanescente de Floresta Estacional semidecidual...............................38 Figura 11: Compartimentao geolgica da rea.....................................................40 Figura 12: compartimento geomorfolgico................................................................41 Figura 13: Plantao de milho em Latossolo............................................................43 Figura 14: Classificao Climtica de Kppen para Mato Grosso............................45 Figura 15: Etapas do desenvolvimento do trabalho..................................................47 Figura 16: Mapa ilustrativo da configurao da bacia Tenente Amaral....................53 Figura 17: Amostras coletadas em campo da rea de estudo..................................55 Figura 18: Demonstrao das caractersticas de reflexo de amostras dos diferentes tipos de cultivo coletados em composio colorida 3, 4,5 da imagem Landsat-5 TM..............................................................................................................................58 Figura 19: Plantao de Milho na rea de estudo.....................................................59 Figura 20: Pastagem na rea de estudo...................................................................59 Figura 21: Matriz de pertinncia para classificao fuzzy no Idrisi...........................63 Figura 22: Procedimento de validao do Idrisi Andes 15........................................65 Figura 23: Declividade da bacia Tenente Amaral......................................................67 Figura 24: Aspectos pedolgicos..............................................................................68 Figura 25: Resultado da classificao fuzzy integrada e sua relao com os solos Podzlicos Vermelho Amarelo...................................................................................69 Figura 26: Resultado da classificao fuzzy integrada e sua relao com os solos Neosslos...................................................................................................................70 Figura 27: Resultado da classificao fuzzy integrada e sua relao com os solos Latosslicos................................................................................................................71 Figura 28: Resultado da classificao fuzzy integrada e sua relao com os solos Latosslicos Vermelho Amarelo Podzlico................................................................72 Figura 29: Resultado das assinaturas da associao fuzzy das 17 subclasses elencadas em laboratrio...........................................................................................79 Figura 30: Resultados da Classification Uncertainty (Classificao de Incerteza) a partir do modelo fuzzy................................................................................................82 Figura 31: Percentual da classificao fuzzy com o uso apenas da imagem Landsat- TM5, nas bandas 3, 4 e 5 no Idrisi.............................................................................83 Figura 32: Resultado da classificao fuzzy com o uso apenas da imagem Landsat- TM5, nas bandas 3, 4 e 5 no Idrisi.............................................................................84 Figura 33: rea classificada para cada classe desenvolvida pelo modelo fuzzy ....................................................................................................................................86 Figura 34: Resultado final da classificao fuzzy para as classes de uso da terra............................................................................................................................89
LISTA DE QUADROS
Quadro 1: Produo agrcola do municpio de Jaciara.............................................32 Quadro 2: Pesos dos nveis de importncia dos solos em relao a produo agrcola presentes na Bacia do Rio Tenente Amaral................................................52 Quadro 3: Nmero de pontos de amostras dos tipos de cultivo agrcola na Bacia do Rio Tenente Amaral no municpio de Jaciara.............................................................56
LISTA DE TABELAS
Tabela 1: Data de passagem da imagem do satlite LANDSAT...............................49 Tabela 2: Qualidade da classificao de acordo com o ndice de kappa..................66 Tabela 3: Matriz de participao elaborada a partir do mtodo de classificao Maxver nosoftware spring verso 5.1.7......................................................................87 Tabela 4: Matriz de erro do cruzamento do modelo da classificao fuzzy com os dados de campo (verdade de campo) gerado pelo Idrisi Andes................................92
SUMRIO INTRODUO ........................................................................................................... 14 2. FUNDAMENTAO TERICA .............................................................................. 18 2.1. A Geografia nos estudos de modelagem e sistemas ambientais em bacias hidrogrficas ................................................................................................. 18 2.2. Sensoriamento Remoto e o comportamento espectral da vegetao .... 19 2.3. A Lgica Fuzzy e os conjuntos Fuzzy .................................................... 23 2.3.1. Conceitos Gerais ............................................................................. 23 2.3.2. Peso e normalizao ....................................................................... 26 2.3.3. A integrao da lgica fuzzy em classificao de imagens digitais 26 3. REA DE ESTUDO ................................................................................................ 30 3.1. Caractersticas gerais ............................................................................ 30 3.2. Aspectos do Uso e ocupao da Bacia .................................................. 31 3.3. Calendrio agrcola ................................................................................ 32 3.4. Vegetao ............................................................................................. 35 3.4.1. Formaes Savnicas (Cerrado) ..................................................... 35 3.4.2. Formaes Florestadas ................................................................... 37 3.5. Aspectos fisiogrficos ............................................................................ 38 3.5.1. Geologia .......................................................................................... 38 3.5.2. Geomorfologia ................................................................................. 40 3.5.3. Pedologia ......................................................................................... 42 3.5.4. Clima ................................................................................................ 44 4. MATERIAIS E MTODOS ...................................................................................... 46 4.1. Viso geral ............................................................................................. 46 4.2. Pr-processamento dos dados espaciais .............................................. 48 4.2.1. Imagens de satlites ........................................................................ 48 4.2.2. Mapa de solos.................................................................................. 51 4.2.3. Declividade ...................................................................................... 52 4.2.4. Levantamento de campo ................................................................. 53 4.2.5. Descrio das reas de treinamento ............................................... 54 4.3. Classificao fuzzy ................................................................................. 59 4.3.1. Procedimentos de dados matriciais ................................................. 60 4.3.2. Gerao da matriz de pertinncia do modelo fuzzy ......................... 60 4.4. Desenvolvimento do modelo fuzzy no Idrisi ........................................... 62 4.5. Validao ............................................................................................... 64 4.5.1. Matriz de Confuso .......................................................................... 65 4.5.2. ndice de Kappa ............................................................................... 66 5. RESULTADOS E DISCUSSO .............................................................................. 67 5.1. Solo e declividade utilizados no modelo Fuzzy ...................................... 67 5.2. Interao das classes de uso da terra com os tipos de solos ................ 68 5.2.1. Interao com os Solos Podzlico Vermelho Amarelo .................... 68 5.2.2. Interao nos Solos Neossolos........................................................ 69 5.2.3. Interao nos Solos Latossolos ....................................................... 71 5.2.4. Interao nos Latosslicos Vermelho Amarelo Podzlicos .............. 72 5.3. Associao das subclasses temticas com as assinaturas da imagem Landsat-5 TM e os layers de solo e de declividade no modelo fuzzy ........... 73 5.4. Resultado do grau de incerteza das subclasses pelo classificador fuzzy81 5.5. Resultado da classificao do uso da terra pelo mtodo fuzzy utilizando apenas a imagem Lansat-5 TM5 sem os layers de solo e declividade ......... 82 5.6. Resultado do uso e ocupao na Classificao baseada em lgica fuzzy com o uso da Imagem Landsat-5 TM e os Layers de declividade e solos ............ 84 5.7. Anlise da classificao do modelo Fuzzy ............................................. 86 5.7.1 Matriz de pertinncia ......................................................................... 86 5.7.2. Resultado do mapa temtico do modelo fuzzy com o uso da imagem Landsat-5 TM e os layers de solos e declividade ...................................... 88 5.8. Validao da classificao fuzzy ............................................................ 90 Consideraes Finais ............................................................................................... 94 Referncias Bibliogrficas ....................................................................................... 96
14
INTRODUO
Nas ltimas dcadas os sistemas de Sensoriamento Remoto tm sido amplamente utilizados no mapeamento da cobertura terrestre e no monitoramento dos recursos naturais. Isto se deve ao fato de que os dados obtidos a partir de satlites propiciam coberturas repetitivas da superfcie terrestre em intervalos relativamente curtos. Destaca-se tambm a possibilidade de processamento rpido desses dados atravs de tcnicas de anlise associadas a sistemas computacionais. Desta forma, os dados de sensoriamento remoto devem ser analisados para que sejam extradas informaes necessrias ao planejamento, manejo e monitoramento dos recursos. Essa anlise torna-se vivel pelo fato dos alvos na superfcie terrestre apresentarem comportamentos especficos ao longo do espectro eletromagntico, que podem, portanto, ser usados para identific-los. A extrao de informaes a partir desses dados orbitais implica nas necessidades de uma forma de representao que seja assimilvel pelo usurio. Para tanto, convencionalmente, so utilizados mapas temticos, onde os alvos terrestres, detectados pelos sensores remotos, so caracterizados e associados a classe (ou categorias) temticas que definem o uso e a cobertura da terra. Normalmente, tcnicas convencionais de classificao de dados de sensoriamento remoto so utilizadas, as quais alocam o pixel em uma nica classe da cobertura da terra, com base em suas caractersticas espectrais desconsiderando a resposta gerada pela mistura de uma ou mais classes (FOODY,1999). Estas tcnicas convencionais foram projetadas para aplicao em fenmenos que apresentam limites bem definidos, podendo ser facilmente discretizados. Com isso, o pixel atribudo a classe predominante, isto , a principal classe de cobertura da terra, sendo estes conhecidos como pixels mistos, os quais, muitas vezes, existem em grande quantidade em uma imagem orbital (FOODY, op cit.). Uma forma de avaliar o problema da classificao de pixels mistos o uso de tcnicas alternativas que descrevam as classes componentes dos pixels, em uma abordagem de classificao subpixels. Dentre as tcnicas existentes, grande destaque tem sido dada a classificao baseada em lgica nebulosa ou fuzzy, em diversos trabalhos que envolvem classificao de imagens multiespectrais, devido as contribuies e vantagens advindas dessa tcnica. 15
Em abordagem fuzzy, cada pixel particionado entre todas as classes, atravs da atribuio de graus de pertinncia que indicam a proporo com que os pixels pertencem a cada classe. Assim, pode-se mapear a cobertura da terrestre com maior realidade, considerando o problema de pixels mistos existentes em imagens de sensoriamento remoto (FOODY, 1999). Diferentes pesquisadores (WANG, 1990; FOODY, 1999; ZHANG; STUART, 2001) tm afirmado que a teoria dos conjuntos fuzzy pode contribuir para uma melhor representao dos fenmenos geogrficos, visto que esta permite caracterizar a transio entre tipos de uso e cobertura terrestre e lidar com a ocorrncia de pixels mistos, muito freqentes, principalmente, em imagens de resoluo espacial superior a metros ou dezenas de metros. A problemtica deste trabalho baseia-se no fato que, a utilizao de tcnicas convencionais de classificao do uso da terra tem mostrado limitaes na diferenciao de classes do uso da terra nas regies agrcolas do estado de Mato Grosso. A tcnica de sensoriamento remoto permite, no princpio, que por meio de uma amostra tomada em laboratrio seja verificada em campo em um determinado local e extrapolada para o restante da rea. Entretanto, numa anlise mais apurada verifica-se que esta extrapolao nem sempre condiz com a realidade e muitas vezes reas de pastagens so classificadas como cultivos agrcolas e vice-versa. Neste sentido, este trabalho baseia-se na hiptese de que a utilizao simultnea da imagem Landsat TM-5 de mdia resoluo espacial, juntamente com os mapas temticos das variveis ambientais e a aplicao do conhecimento de especialistas, bem como a utilizao dos conjuntos fuzzy, pode melhorar o resultado classificatrio dos alvos na bacia do rio Tenente Amaral. Assim, este trabalho tem como objetivo geral, classificar os diferentes usos da terra atravs do uso conjuntivo de imagens de satlites com planos de informaes temticos pr-existentes na bacia do rio Tenente Amaral em Jaciara-MT, e como objetivos especficos: Definir as variveis que determinam o plantio das culturas estudadas, como os aspectos geomorfolgicos e pedolgicos; Ponderar a importncia das variveis ambientais na determinao dos cultivos agrcolas para presena ou ausncia de determinado uso na bacia de estudo; Mapeamento das lavouras agrcolas, pastagens e da vegetao natural por abordagens fuzzy; 16
Validao do modelo de classificao proposto.
De acordo com Fomaggio et al, (1989) a agricultura uma das atividades mais antigas praticadas pelo homem principalmente para atender as suas necessidades, mas ao mesmo tempo, a principal responsvel pelas transformaes da natureza, constituindo uma relao dialtica, onde um fator depende do outro, gerando benefcios e conseqncias. O uso do solo com a atividade agropecuria nas bacias de drenagem em Mato-Grosso tem modificado o ambiente, criando novos espaos remodelados, criando uma nova paisagem procedente da interveno do homem. Diante disso, a possibilidade de conhecer as caractersticas fsicas e de uso do solo de forma sistematizada facilita a identificao de elementos causadores de impactos e alteraes decorrentes de aes degradantes. Neste contexto, este trabalho visa contribuir para um mapeamento mais confivel para fins de planejamento territorial e agrcola, possibilitando uma maior tomada de deciso, para previso de safras e produtividade, alm disso, pode fornecer dados importantes para outros estudos, tais como, contaminao das guas ou dos solos, escoamento superficial e sua influncia no regime hdrico. Alm destes fatores, este estudo parte integrante do projeto Anlise de risco ecolgico de sistemas aquticos com base no planejamento de conservao para a bacia do rio Cuiab, onde os resultados deste contribuiro para as demais pesquisas desenvolvidas na respectiva bacia hidrogrfica. O trabalho est divido em cinco sees, nas quais esto apresentados todos os processos realizados para aquisio de materiais, anlises e resultado desta pesquisa. A primeira seo apresenta uma abordagem geral sobre o trabalho e o objetivo a ser alcanado. Na segunda seo apresentada a fundamentao terica, na qual se busca fazer uma contextualizao e fundamentao dos assuntos abordados, de forma geral, inerentes aos estudos geogrficos realizados em bacias hidrogrficas, tcnicas de sensoriamento remoto e comportamento espectral da vegetao e os conceitos gerais sobre a lgica fuzzy e processos de classificao de imagem digitais por abordagens fuzzy. 17
A terceira seo composta pela caracterizao da rea de estudo, constituda pela bacia Rio Tenente Amaral em Jaciara-MT. A quarta seo aborda os procedimentos metodolgicos, no qual so apresentados os materiais utilizados nesta pesquisa. Na quinta seo so apresentados os resultados e discusses dos dados analisados. Finalmente, na sexta seo, apresentam-se as consideraes finais deste trabalho.
18
2. FUNDAMENTAO TERICA 2.1. A Geografia nos estudos de modelagem e sistemas ambientais em bacias hidrogrficas
Para a Geografia, cincia que estuda a Terra e as relaes que se estabelecem no decorrente do uso da mesma pelo ser humano, a bacia hidrogrfica um importante objeto de estudo, pois est se constitui em um sistema complexo, onde convivem juntamente dinmicas e processos naturais, incluindo os processos qumicos, fsicos e biolgicos e a ocupao do homem, que faz uso dos recursos naturais oferecidos por esse sistema (BELTRAME, apud LEITE E ROSA, 1994). A adoo da abordagem sistmica e de paisagem integrada, amplamente inserida no corpo terico-metodolgico da Geografia, contribui para anlise da complexa realidade na relao sociedade - natureza. A Bacia Hidrogrfica, como unidade de anlise espacial, enquanto entidade territorial sistmica torna-se objeto de estudos (hidrolgicos ou geomorfolgicos, como tambm para estudos relacionados aos aspectos biticos, socioeconmicos e socioculturais). E adotada como tal numa diversidade de trabalhos em Geografia e reas afins. As bacias hidrogrficas so reconhecidas como unidade espacial na Geografia Fsica desde a dcada de 40, e como tal, de fato incorporada pelos profissionais da Geografia e das chamadas Cincias Ambientais em seus estudos e projetos de pesquisas como clula bsica de anlise ambiental, por permitir conhecer e avaliar seus diversos componentes, os processos e interaes que nela ocorrem (BELTRAME, op. cit.). O uso da bacia hidrogrfica como estudo e planejamento, nas investigaes e no gerenciamento dos recursos hdricos originou-se da percepo de que os ecossistemas aquticos so essencialmente abertos, trocando energia e matria entre si e com os ecossistemas terrestres adjacentes, sofrendo alteraes de diferentes tipos em virtude das atividades antrpicas nele desenvolvidas. A viso sistmica e integrada do ambiente est implcita na adoo desta unidade fundamental. Considerando as alteraes ambientais antrpicas, constitui-se relevante para a cincia geogrfica apresentar pressupostos terico-metodolgico no sentido de ver conjuntamente os elementos que constituem a paisagem, 19
concomitantemente produzir informaes que auxiliem no planejamento do uso e ocupao territorial (ESPINDOLA et. al, 2000). Um sistema pode ser definido como um conjunto de fenmenos que se processam mediante fluxos de matria e energia. Esses fluxos originam relaes de dependncia mtua entre os fenmenos. Para o autor, esse conceito permite adotar uma atitude dialtica entre a necessidade da anlise e a necessidade de uma viso de conjunto, capaz de ensejar uma atuao eficaz sobre esse meio ambiente. O conceito de sistema , atualmente, o melhor instrumento lgico de que dispomos para estudar o meio ambiente (TRICART, 1997). Os modelos que procuram sintetizar os sistemas tm a finalidade de fornecer um quadro global da totalidade do sistema, estabelecendo o grau de conhecimento sobre as partes componentes, interaes entre os elementos e o funcionamento interativo entre os dados de entrada e sada do sistema (CHRISTOFFOLLETI, 1999). O objetivo dos modelos dinmicos em Sistemas de Informao Geogrfica (SIG) realizar a simulao numrica de processos do mundo real em que os estados de uma localizao na superfcie terrestre muda em resposta a variao em suas foras direcionadoras (BURROUGH, 1998). E estes podem ser classificados de acordo com as tipologias.
2.2. Sensoriamento Remoto e o comportamento espectral da vegetao
Como a viso humana limitada, necessrio buscar uma abordagem alternativa que permita registrar, quantificar e fornecer, adequadamente, informaes sobre os objetos estudados na superfcie terrestre. Nesse contexto, o Sensoriamento Remoto surge como uma tecnologia que permite suprir esta necessidade.
O sensoriamento remoto a tcnica de se obter informaes sobre um determinado alvo (objetos, reas ou fenmenos), atravs da anlise dos dados adquiridos por meio de um sensor que no esteja em contato com o alvo sob investigao. So destacados quatro componentes bsicos: a fonte de energia (normalmente, o Sol, para sistemas passivos); a atmosfera; os alvos terrestres; e o satlite/sensor (LILLESAND E KIEFER ,1994, p.1).
20
Assim, a utilizao das tcnicas de Sensoriamento Remoto conciliadas com a tcnica de Geoprocessamento tem possibilitado o desenvolvimento de trabalhos que contribuem no monitoramento e planejamento da superfcie da Terra, contribuindo para melhor tomada de deciso no mbito do planejamento. A obteno das informaes da superfcie terrestre depende da interao dos objetos com a energia eletromagntica. A energia solar a fonte principal no que tange aos produtos de Sensoriamento Remoto que apresentam tipos de sensores passivos. A radiao eletromagntica (REM) que emitida pelo sol se propaga pela atmosfera at atingir os alvos da superfcie terrestre. Contudo, os componentes atmosfricos (gs carbnico, oxignio, oznio, vapor dgua e aerossis) interferem no percurso da REM at os alvos, podendo ocasionar efeitos de absoro e espalhamento dessa energia (LILLESAND; KIEFER,1994, op. cit.) Aps percorrer o trajeto da fonte at os alvos terrestres, a energia refletida e/ou emitida pela superfcie captada por dispositivos eletrnicos (sensores), instalados em satlites artificiais, e transformada em sinais eltricos, que so registrados e transmitidos para estaes de recepo na Terra. Esses sinais recebidos pelas estaes so transformados em dados na forma de grficos, tabelas ou imagens, que, quando interpretados, permitem obter informaes a respeito dos alvos da superfcie terrestre (FLORENZANO, 2002). As imagens obtidas por sistemas sensores, ditas multiespectrais, constituem um conjunto de cenas (denominadas canais ou bandas) adquiridas, simultaneamente, de uma mesma rea, onde a REM registrada em diferentes intervalos espectrais. Essas imagens so armazenadas como matrizes, onde cada elemento (denominado pixel) que as constitui possui coordenadas espaciais (x, y) e representado por um conjunto de valores de brilho (tons de cinza ou nveis digitais). Assim, cada pixel pode ser representado por um vetor de atributos, cuja dimenso definida pela quantidade de bandas espectrais analisadas (RICHARDS; JIA, 1999). Os sensores remotos orbitais so desenvolvidos para medir a energia eletromagntica proveniente dos alvos na superfcie terrestre. As caractersticas multiespectrais desses sensores permitem medir e registrar a energia eletromagntica em determinadas faixas de comprimento de onda, chamadas de bandas espectrais, transformando-a numa imagem digital que pode ser interpretada. 21
As imagens de satlites so utilizadas para vrios fins e em diversos estudos de ordem ambiental:
Aplicada em diversos estudos de modelagem ambiental, a agricultura uma das reas de aplicao com maior demanda de dados de sensores orbitais. Atravs do Sensoriamento Remoto, possvel obter informaes sobre: estimativa de rea plantada, produo agrcola, vigor vegetativo das culturas, alm de fornecer subsdios para o manejo agrcola em nvel de pas, Estado, municpio ou ainda em nvel de microbacia hidrogrfica (STEVEM ; JAGARD, 2002.p 149.).
Neste sentido, as imagens de satlites so utilizadas para vrios fins, sobretudo, para mapear o uso da Terra com o objetivo de discriminar as culturas agrcolas e a vegetao natural, bem como, quantificar as reas plantadas. Para tanto, importante o conhecimento e o estudo dos alvos na superfcie, pois estes possuem diferentes caractersticas espectrais, podendo ser identificados pelo seu comportamento espectral (ou assinatura espectral). A assinatura espectral dos alvos , normalmente, representada por um grfico que relaciona a porcentagem de refletncia do alvo em funo do comprimento de onda (m), para diferente tipo ou estgio fonolgico da vegetao, como ilustra a figura 1. A partir de um conjunto de valores de refletncia para o mesmo alvo, medido em um intervalo especfico de comprimento de onda, supe-se conhecido o comportamento espectral daquele alvo (JENSEN, 1996). A figura 01 mostra a diferena na refletncia da vegetao verde e da vegetao seca em diferentes comprimentos de ondas, desde a faixa do visvel at ao infravermelho mdio. A refletncia de uma vegetao verde diferente e varivel com o comprimento de onda nas regies do espectro eletromagntico do visvel, do infravermelho prximo e do infravermelho mdio. 22
Figura 01: Comprimento de ondas em estgios de vegetao Fonte: Adaptado por Moreira (2003).
Ao analisar a figura 01, observa-se que os objetos (vegetao verde e a vegetao seca) apresentam valores espectrais diferentes de refletncia, sendo a vegetao verde a que apresenta maiores valores, em relao a vegetao seca. Isso acontece, pois, na regio do visvel (0,4 a 0,7 m), h presena de pigmentos clorofilados da planta que responsvel pela maior absoro da radiao nas pores azul e vermelha, sendo menos absorvida na poro verde. No infravermelho prximo (0,7 m a 1,3 m) a estrutura celular responsvel por altos valores de refletncia e transmitncia e baixos valores de absorbncia, j no infravermelho mdio (1,3 m a 2,6 m), as propriedades internas das plantas e a presena de gua provocam alta absoro da radiao. Nos comprimentos de onda de 1,4 m, 1,9 m e 2,6 m (HOFFER, 1978). Sendo assim, importante conhecer as propriedades espectrais das plantas, responsveis pelo comportamento espectral do dossel como um todo, bem como das caractersticas associadas ao solo, pois este pode influenciar na reflexo da vegetao. 23
2.3. A Lgica Fuzzy e os conjuntos Fuzzy 2.3.1. Conceitos Gerais
A lgica fuzzy pode ser definida como parte da lgica matemtica dedicada aos princpios formais do raciocnio incerto ou aproximado, portanto mais prximo do pensamento humano e da linguagem natural. Devido a esta propriedade e capacidade de realizar inferncias, a lgica fuzzy tem encontrado diversas aplicaes em vrias reas como modelagem de sistemas de reconhecimento de padres. Segundo Zadeh (1965), os seres humanos raramente usam nmeros para resolver problemas. Assim, modelar frases e estimativas humanas atravs de formalismos matemticos, no um procedimento facilmente realizado. A lgica fuzzy proporciona uma linguagem natural, onde predomina o raciocnio aproximado com proposies imprecisas, utilizando a teoria dos conjuntos fuzzy como a principal ferramenta. A teoria dos conjuntos fuzzy (nebulosos), uma extenso da teoria dos conjuntos clssicos e est associada aos conceitos bsicos de funes de pertinncia. A sua utilizao apropriada em sistemas que se caracterizam por sua generalidade, ambigidade e impreciso para a extrao de informaes vagas. Enquanto que na teoria dos conjuntos clssicos (lgica Booleana) permitem apenas o uso de funes de associaes binrias, que identificam os elementos membros e no membros de uma classe. A lgica fuzzy permite tambm, a possibilidade de uma associao parcial, isto , elementos que so parcialmente pertinentes a uma ou mais classes. O conjunto A de valores fuzzy do universo X definido pelos seguintes pares ordenados (Equao 2.1):
A = {(x, A(x)) | x ; X} [2.1]
A funo A(x) denominada nvel de pertinncia do ponto x ao conjunto A e determina com que grau um objeto x pertence a um conjunto A. 24
Em conjuntos clssicos, apenas dois valores para A(x) so permitidos: o elemento pertence (verdadeiro = 1) ou no pertence a um determinado conjunto (falso = 0). Na teoria dos conjuntos fuzzy, a transio entre pertencer e no pertencer gradual, ou seja, um nmero real variando de forma contnua no intervalo de zero a um (ZADEH, 1965). Como exemplo, considere X = {1, 2, 3, 4, 5, 6, 7, 8, 9} uma coleo de nmeros inteiros. Seja A um conjunto nebuloso que define nmeros inteiro prximos a 5, dado por: A = {(1, 0), (2, 0,4), (3, 0,6), (4, 0,8), (5, 1), (6, 0,8), (7, 0,6), (8, 0,4), (9, 0)}. O valor 0 representa a excluso completa ao conjunto, 1 representa a pertinncia completa e 0,5 o ponto de passagem (cross-over) de uma classe a outra. Os conjuntos clssicos podem ser vistos como um caso particular dos conjuntos fuzzy, nos quais apenas os limites do intervalo so utilizados na definio da funo de pertinncia (Figura 2).
A pertinncia de um elemento a um determinado conjunto passa a ser uma questo de gradao. Nos casos extremos, o grau de pertinncia 0, ocasio em que o elemento no pertence ao conjunto, ou o grau de pertinncia e 1, se o elemento pertence 100% ao conjunto (TURKSEN apud GALO E PRADO, 2009, p.235).
Portanto, um conjunto fuzzy surge a partir da extenso de um conjunto clssico (rgido), passando a incorporar medidas de incerteza. A Figura 02 ilustra as funes de pertinncia no caso de conjuntos clssicos e fuzzy.
25
Figura 02: Funes de pertinncia - conjuntos clssicos (a) e conjuntos fuzzy (b). Fonte: Delgado (2002).
De acordo com Zadeh (1990), os nveis de pertinncia refletem uma ordem no baseada em probabilidade, mas sim em possibilidade, que so conceitos diferentes. As medidas de probabilidade esto associadas a conjuntos de limites precisos, enquanto que a possibilidade a conjuntos imprecisos. A questo que surge na determinao dos conjuntos fuzzy a escolha de uma funo de pertinncia apropriada, uma vez que esta funo deve ser flexvel tanto para modelar a diversidade de formas de um atributo, quanto no estabelecimento dos parmetros do modelo. No mapeamento do uso da terra, sendo as informaes geogrficas imprecisas por natureza, e que em muitos casos, difcil distinguir claramente os limites entre dois tipos de cobertura da terra, um conceito de pertinncia alternativo necessrio. Neste sentido, a teoria dos conjuntos fuzzy pode fornecer uma melhor representao para fenmenos geogrficos. A teoria de conjuntos fuzzy considera a natureza heterognea e imprecisa do mundo real, e pode ser utilizada juntamente com algoritmos de classificao supervisionada e no supervisionada (JENSEN, apud NOGUCHI, 2004). Devido a isso, a teoria tem se destacado cada vez mais na rea de processamento de imagens, pois proporciona uma ferramenta satisfatria na representao de incertezas que surgem em segmentao ou classificao, sendo possvel atravs dela modelar a atividade de percepo dos seres humanos.
26
2.3.2. Peso e normalizao
O peso de um conjunto fuzzy o maior grau de pertinncia alcanado por algum elemento no conjunto. A normalizao de um conjunto de nmeros (ou de uma funo) encontrada ao dividir cada nmero do conjunto pelo maior numero, tornando-se o maior nmero igual a 1. Por exemplo, o conjunto de nveis de cinza (30, 50, 80, 100, 70, 40) normalizado para (0.3, 0.5, 0.8, 1.0, 0.7, 0.4) se for dividido cada nmero por 100. Portanto, um conjunto fuzzy chamado normalizado quando pelo menos um de seus elementos atinge o mximo grau de pertinncia possvel. Se a faixa dos graus de pertinncia um intervalo fechado entre 0 e 1, por exemplo, ento pelo menos um elemento deve ter um grau de pertinncia de 1 para o conjunto fuzzy ser considerado normalizado. Isso tambm implica que o peso do conjunto fuzzy seja igual a 1. 2.3.3. A integrao da lgica fuzzy em classificao de imagens digitais
Classificao digital de imagens consiste em estabelecer o processo de deciso, pelo qual um grupo de pixels definido como pertencente a uma determinada classe ou tema que descreve um objeto no mundo real. Para estabelecer o processo de classificao digital, primeiramente devem ser escolhidas as feies de interesse, seguido da determinao do mtodo "Padro de Comparao", ou seja, a classificao propriamente dita e o modo de avaliao da exatido do mapa gerado (MATHER, 2001). Este processo pode partir do prprio usurio na identificao visual e no agrupamento de tais alvos em classes sendo denominada de classificao supervisionada. Por outro lado, este processo de classificao pode ser no supervisionada, ficando a cargo do software utilizado, agrupar tais alvos a semelhantes comportamentos espectrais. A classificao supervisionada constri classificadores com base na amostra de treino e a qualidade desta amostra determina o sucesso da fase de classificao e o valor da informao por ela gerada (JENSEN apud PRADO; GALO, 2006). Esta pode ainda ser subdividida em rgida ou relativa. Quanto a primeira classificao, se destaca o mtodo de mxima verossimilhana. Este mtodo se baseia na teoria de 27
Bayes. Conhecendo as informaes do conjunto de amostras de treinamento de cada classe, este comando associa atravs da mdia e da varincia e covarincia das assinaturas espectrais, a possibilidade de um pixel pertencer a uma determinada classe (CLARK LABS, 2006). Como resultado tem-se uma imagem com as diversas classes representadas. No entanto, Conese et al (1996) afirma que:
Uma das limitaes deste mtodo refere-se ao fato do pixel ser atribudo a uma nica classe temtica, desconsiderando qualquer proporo de contribuio de outras classes para esse pixel. Essas tcnicas de representao tm dificuldades para lidar com fenmenos que no podem ser descritos por uma pertinncia total a um nico conjunto, como misturas entre tipos de coberturas, que ocorrem freqentemente, implicando em perda substancial de informao espectral til.
Na classificao de imagens para o monitoramento de culturas agrcolas, a vegetao pode estar em diferentes condies ao longo do seu ciclo de desenvolvimento, provocando mudanas na quantidade de energia refletida. Entretanto, tais condies podem no ser diferenciadas, a menos que mais classes sejam definidas, o que torna o processamento mais custoso. Mesmo expandindo-se o nmero de classes para melhorar a discriminao, a variabilidade dentro de cada classe ainda pode existir. Quando existe uma nica classe de cobertura da terra, um pixel de uma imagem de Sensoriamento remoto registra as caractersticas espectrais dessa classe. No entanto, quando a regio contm uma mistura de classe de cobertura, o valor do pixel uma funo da reflectncia da mistura das classes componentes. Normalmente, quando mais de uma classe de cobertura o pixel contm, mais caractersticas espectrais daquela classe ele tem. Assim pixels mistos tm suas caractersticas espectrais que diferem daquelas de um pixel homogneo (WANG, 1990). Nesses casos, uma das tcnicas que pode ser empregada o classificador baseado em lgica fuzzy ou Nebulosa para a soluo da mistura espectral, pois permite a anlise sub-pixel para estimar as propores de cada superfcie dentro dos pixels, gerando, como produto, imagens fracionadas de cada classe (FOODY apud ANTUNES, 2003). Na classificao fuzzy, as classes de cobertura so representadas como conjuntos fuzzy, e interpreta-se como uma questo de grau de pertinncia de um 28
objeto a uma determinada classe, pois o espao multiespectral no particionado por superfcies rgidas, gerando uma participao fuzzy. Nesse caso, graus de pertinncias so atribudos aos pixels para indicar a proporo com que estes pertencem a cada classe. Tal partio chamada de participao fuzzy do espao multiespectral. Nesta classificao ao invs de uma nica imagem gerada, so geradas imagens representando a possibilidade dos pixels existentes na imagem pertencerem a cada classe. So diversas as ferramentas utilizadas em software, inclusive no IDRISI Andes. importante saber que h vrias maneiras de derivar uma classificao fuzzy. Uma maneira, por exemplo, a partir do classificador de Mxima Verossimilhana, conservando as probabilidades de pertinncia de cada pixel em relao a todas as classes propostas. Os pixels com mistura de classes ou condies intermedirias podem ser descritos pelos graus de pertinncia. Se num pixel existem trs tipos de cobertura podem-se ter trs graus de pertinncia que indicam a associao do pixel com essas trs classes, como exemplificado na figura 03. Os conjuntos fuzzy no mbito do SIG podem ser utilizados para o processamento de problemas de mapeamento de reas, ou seja, para determinar a que classe de uso do solo pertence a uma rea ou se uma rea pode ser utilizada para um determinado fim.
Figura 03: Exemplo de graus de pertinncia de um pixel.
29
Zheng et al. (apud NOGUCHl, 2004) fizeram a integrao de Sistemas de Informao Geogrfica (SIG) com lgica fuzzy no mapeamento do uso do solo. Concluram que as regras da lgica fuzzy tm, um grande potencial a ser considerado como um modelo inteligente para operaes espaciais num SIG, mostrando que no somente o objetivo de classificao foi alcanado, mas tambm, os dados puderam perfeitamente simular a variao de classes e inferir o resultado da classificao. Bastin (apud NOGUCHI, 2004) utilizou o modelo de classificao baseado em lgica fuzzy, o modelo de mistura linear e os valores de probabilidades derivados da classificao pelo mtodo da Mxima Verossimilhana (MaxVer) para separar classes com mistura espectral em imagens Landsat 5/TM. A partir dessas imagens tambm foram obtidas imagens de referncia por classificao no-supervisionada. Um conjunto de imagens frao de referncia para cada classe foi produzido, mostrando a proporo de cada classe em cada pixel. As imagens frao geradas pelos trs mtodos foram comparadas com as imagens frao de referncia e, tambm, com o resultado da classificao pelo mtodo MaxVer, em que se concluiu que a classificao fuzzy obteve a melhor performance para localizar e quantificar os pixels misturados, produzindo uma boa estimativa sub- pixel das classes de cobertura do solo. O trabalho desenvolvido por Prado e Galo (2000) teve como objetivo analisar e comparar os resultados obtidos da classificao do uso da Terra no municpio de Teodoro Sampaio a partir da aplicao da tcnica de Mxima verossimilhana e de dois classificadores baseados em abordagens fuzzy (relativo baysiano e distncia da mdia fuzzy), utilizando imagens ETM+/ Landsat de uma rea teste previamente selecionada. Os alvos escolhidos foram: mata, culturas agrcolas, rea urbana, pastagens e vegetao natural. Os resultados obtidos com a aplicao das tcnicas de Mxima verossimilhana, relativa bayesiana e Distancia da Mdia, mostraram que as classificaes relativas so mais adequadas s situaes onde ocorre confuso entre as classes, ou seja, quando estas apresentam comportamento inerentemente fuzzy e respostas espectrais similares, dificultando a separao das mesmas. Alm disso, as classificaes fuzzy mostraram informaes relacionadas com a incerteza na atribuio dos pixels s classes, que podem ser teis e tornar os mapas temticos gerados mais confiveis. 30
REA DE ESTUDO 3.1. Caractersticas gerais
O Estado de Mato Grosso situa-se na Regio Centro - Oeste do Pas, com extenso territorial de 906.807,90 km, possui trs domnios fitogeogrficos, sendo: Amaznia, Cerrado e o Pantanal. Tm grande disponibilidade hdrica, banhado por trs grandes bacias: Amaznica, Platina e Araguaia-Tocantins (MAITELLI, 2005). A Bacia Platina ou do Paran em Mato Grosso, representada pelo rio Paraguai e seus afluentes e constituem-se quase exclusivamente por rios de plancies. Suas principais sub-bacias so: Sub-bacia do Alto Paraguai; Sub-bacia do Cuiab; Sub-bacia do So Loureno; Sub-bacia do Corrente-Taquari. A rea de estudo compreende a sub-bacia hidrogrfica do rio So Loureno, Bacia do Rio Tenente Amaral, tendo como afluentes principais, o Crrego Brilhante, Cachoeirinha e Saia Branca, todos pertencentes ao municpio de Jaciara-MT, microrregio de Rondonpolis. A referente bacia, figura 4, est localiza nas coordenadas 15 08 S a 16 00 S e 55 05 W a 55 35W apresentando uma rea de 858,43 Km. No contexto econmico, a rea de estudo est inserida no processo de ocupao e produo de gros e cultivo da cana-de-acar, resultado do avano da fronteira agrcola no estado de Mato Grosso. A bacia apresenta tambm uma considervel rea ocupada por pastagens, considerando predominncia tanto de pastagens quanto de agricultura mecanizada.
31
Figura 4: Localizao da rea de estudo. Fonte: Imagem Spot de 2008 disponvel no site da SEPLAN,e adaptado por Barros, 2011.
3.2. Aspectos do Uso e ocupao da Bacia
A Bacia hidrogrfica encontra-se em rea de domnio do Cerrado. Em razo das caractersticas favorveis explorao agropecuria, a maior parte das formaes vegetacionais naturais foram retiradas e deram lugar a uma diversidade de cultivos. A atividade econmica na rea est pautada na agropecuria. Sendo que a pecuria, figura 05, est espacializada principalmente na poro sul, sudeste e nordeste da bacia, normalmente onde apresentam relevo ondulado. E nas partes sul, sudoeste, norte e noroeste, apresentam um predomnio de atividades agrcolas, como o milho, a cana-de-acar, o algodo, a soja entre outras. Isso ocorre, principalmente pelo fato do relevo ser plano, pois facilita a utilizao dos maquinrios para o manejo agrcola (SANTOS, 2007).
32
Figura 05: reas de pastagens na bacia do rio Tenente Amaral Foto: Adriana Oliveira Barros, 2010.
O quadro 01 apresenta os tipos de uso da terra predominantes na bacia. Os dados apresentados ilustram a produo do municpio de Jaciara onde localiza a bacia do rio Tenente Amaral.
Quadro 01: Total da produo agrcola do municpio de Jaciara-2009.
Culturas
rea Colhida (ha)
Quantidade produzida (t)
Algodo em caroos
3.100
6.634
Cana-de-acar
16.990
1.065.698
Milho em gros
12.060
54.894
Soja em Gros
580
1.438 Fonte: IBGE, 2009. (Organizado por Adriana Oliveira Barros, 2011).
3.3. Calendrio agrcola
O procedimento para o plantio das culturas esta pautado no processo de rotao de culturas, que consiste em alternar espcies vegetais no correr do tempo, numa mesma rea agrcola. 33
Neste sentido, de acordo com o calendrio agrcola da Empresa Mato- grossense de Pesquisa, Assistncia e Extenso Rural-MT (Empaer), inicia-se primeiramente o plantio da soja a partir do ms de setembro, no comeo das primeiras chuvas. Num segundo momento aps a colheita da soja inicia-se o plantio da segunda cultura (safrinha), no qual prevalece o plantio de algodo, milho e milheto. O plantio do algodo, figura 6, inicia-se no ms de dezembro, com inicio da colheita no ms de maio. J o inicio do plantio do milho safrinha e milheto acontecem no ms de fevereiro e o perodo de colheita no ms de junho e julho.
Figura 6: cultivo de algodo na bacia Tenenete Amaral Foto: Adriana Oliveira Barros, 2010.
Assim, cabe ressaltar que o perodo de coleta dos dados ocorreu no perodo entressafra da soja. O cultivo da Crolatria, figura 7, na rea de estudo recomendado para adubao verde na rotao de cultura, sendo uma excelente opo para a fixao do nitrognio, apresentando caractersticas essenciais para melhoria do solo como fcil nodulao.
34
Figura 7: Cultivo da Crolatria na bacia do rio Tenente Amaral Foto: Adriana Oliveira Barros, 2010.
J a cultura da cana-de-acar, figura 8, a matria prima que abastece a usina Pantanal, que se localiza na bacia, esta usina opera em toda cadeia produtiva da cana-de-acar, desde o plantio at a transformao final da matria prima em lcool e acar.
Figura 8: Cultivo da cana-de-acar na bacia do rio Tenente Amaral Foto: Adriana Oliveira Barros, 2010.
35
De acordo com Moreno, (2005) a cana-de-acar tem se expandido nos cerrados mato-grossense, apresentando nveis crescentes de rea plantada e de produo. A produo de cana-de-acar absorvida no prprio Estado pelo setor industrial sucroalcooleiro, que produz acar, lcool hidratado e anidro. De acordo com Moreno (2005), o acar e o lcool produzidos em Mato Grosso so comercializados nos mercados regionais e nacionais, com pequena parte exportada para pases fronteirios, principalmente a Bolvia.
3.4. Vegetao
A Bacia do Rio Tenente Amaral encontra-se em rea de domnio do Cerrado e remanescentes de Floresta Estacional Semidecidual. O inventrio Florestal da vegetao natural bem como o mapa de vegetao e uso atual efetuados por Vasconcelos et al (2007) classificou e delimitou as seguintes tipologias de vegetao remanescentes na Bacia:
3.4.1. Formaes Savnicas (Cerrado)
3.4.1.1. Savana Arbrea Densa (Cerrado)
Corresponde a uma zona de transio entre a savana (cerrado e as matas, estando caracterizada pela presena de um nmero de rvores superior ao dos arbustos. Nestas rvores, geralmente mais altas, os trocos so quase totalmente retos, e as folhas podem variar de grandes a pequenas.
3.4.1.2. Savana arbrea (Cerrado stricto sensu)
caracterizada por um tapete gramneo lenhoso continuo e pela presena de rvores gregrias de tronco e galhos retorcidos, casca espessa (as vezes suberosa), folhas grandes podendo ser grossas, coriceas e speras. 36
3.4.1.3. Savana Arbrea Aberta (Campo Cerrado)
Tem um tapete vegetal de campo onde predominam rvores pequenas, tortuosas, e na maior parte de crtex suberoso, espesso em sulcos, que podem atingir 5 metros de altura, associadas a uma longa cobertura gramneo-lenhosa e que so atacadas pelo fogo praticamente em todos os anos. Na savana arbrea aberta (campo cerrado) existe a possibilidade de ocorrncia de agrupamentos de rvores raquticas entremeadas com arbustos baixos, subarbustos, ervas e palmeiras ans.
3.4.1.4. Savana Parque (Campo Sujo)
Esta formao, figura 9, tem como caractersticas ser semelhante com uma savana arbrea aberta (campo cerrado) degradada, constituda por estratos arbustivos e subarbustivos que se superpem a vegetao herbcea, estando espalhados irregularmente e ocorrendo quase em meio a vegetao da savana (cerrado), tem em sua constituio tpicos solos pobres e seus limites so imprecisos.
Figura 9: Diferentes fitosionomias do Cerrado na rea em estudo Foto: Adriana Oliveira Barros, 2010. Campo sujo Cana- de - acar Mata de Galeria 37
Esta formao vegetal foi caracterizada por Ross e Santos (1982), como o tipo vegetal campestre natural e antrpico, constitudo por rvores de pequeno e mdio porte que ocorrem associadas esparsamente a uma cobertura graminosa, mais arbustos, subarbustos e ervas que esto referidas aos solos com superfcie dura, argilosos, cascalhos quartzosos, solos ferruginosos e areias soltas, nas faixas de predominncia das unidades litoestratigraficas de formao Aquidauana e Utiariti e das Coberturas Detrito-Lateriticas que so encontradas na rea em analise.
3.4.1.5. Savana Gramineo-Lenhosa (Campo Limpo)
Esta formao caracterizada por uma associao de cobertura de gramneas com plantas lenhosas, pequenas herbceas, as vezes com o aparecimento de subarbustos. comum a ocorrncias de gramneas isoladas ou ento em tufos dispersos. Nesta formao, durante a estao das chuvas, a cobertura de gramneas densa e alta, j na estao da seca, ela apresenta-se com seca e por vezes consumida pelo fogo, como um fenmeno anual.
3.4.2. Formaes Florestadas
Nestas formaes temos a ocorrncia de Floresta Estacional Semidecidual e Matas de galeria, que so caractersticas nas vrias fitofisionomias da rea em estudo.
3.4.2.1. Floresta Estacional Semidecidual
O conceito ecolgico das Florestas estacionais relaciona-se a ocorrncia de clima de duas estaes, uma chuvosa, outra seca, ou a centuada variao trmica. Essa alternncia determina uma estacionalidade foliar dos elementos arbreos dominantes, que possuem adaptaes alterao dos fatores climticos podendo ser Semidecidual ou Decidual. 38
Floresta Estacional Semidecidual, figura 10, apresenta, em suas comunidades, uma percentegem de rvores caduciflias (e no das espcies que perdem as folhas individualmente) em torno de 20 a 50%.
A mata de galeria, figura 09, tem como principal caracterstica, sempre acompanhar os vales dos rios e crregos, locais, segundo Braun (1962), com elevao da disponibilidade hdrica por efeito do acmulo de gua por gravidade. Relata ainda que suas copas so densas, chegando a encontrarem-se margem a margem, que funcionam como corredor ecolgico, oferecendo conectividade, abrigo e alimento para a biodiversidade existente nessas reas.
3.5. Aspectos fisiogrficos 3.5.1. Geologia
39
3.5.1.1. Formao Furnas
Na Bacia do mdio Rio Paraguai, onde a rea de estudo se encontra, a Formao Furnas, figura11, apresenta-se constituda por conglomerados na base e arenitos no topo, contendo por vezes intercalaes de nveis argilosos e siltticos. Pode apresentar as estratificaes plano-paralela e cruzada, tal como pode- se observar em uma nova ocorrncia descoberta nas cabeceiras do Crrego Tenente Amaral. O contato com a Formao Ponta Grossa transacional. De acordo com a classificao da geologia de Mato Grosso, elaborado pela SEPLAN, a formao furnas se encontra na poro centro leste e sudoeste nas limitaes da bacia Tenente Amaral. (NASCIMENTO, 2008) 3.5.1.2. Formao Ponta Grossa
A Formao Ponta Grossa, figura11, tambm descrita pela primeira vez por Derby (1878), em rochas da cidade de Ponta Grossa, no Estado do Paran, tambm pertence a rea em estudo. Esta unidade apresenta-se via de regra constituda por sedimentos clsticos finos a muito finos, com arenitos na base folhelhos slticos e argilosos e siltitos no topo, sendo predominante em grande parte da Bacia do Alto Rio Paraguai, desde o Municpio de Chapada dos Guimares at as regies de Dom Aquino e Jaciara. Portanto, a referida formao geolgica se apresente no setor sudeste da rea em estudo, o que configura a rea do exutrio do rio Tenente Amaral, ressalta- se ainda que esteja presente no setor que ocorrem as principais deposies geomorfolgicas da rea.
3.5.1.3. Formao Cachoeirinha
A formao Cachoeirinha, figura11, uma unidade estratigrfica basal do Tercirio, sendo descrita como constituda por lentes de areias finas a grossas, argilosas e cascalhosas (PETROLEO DO BRASIL S/A, 1998). Neste sentido, esta unidade foi criada com a inteno de identificar as coberturas Detrito-Lateriticas que so encontradas nos planaltos elevados ao norte, sudeste e na poro central da rea do Projeto Centro-Leste de Mato Grosso. 40
De acordo com a classificao da Seplan, a formao Cachoeirinha ocorre em toda parte central e plana da bacia Tenente Amaral onde, ocupa a maior parte da rea localizando-se de norte a sul.
Figura 11: Compartimentao geolgica da rea. Fonte: Seplan, adaptado por Adriana Oliveira Barros, 2011.
3.5.2. Geomorfologia
A Geomorfologia apresenta na rea em estudo duas importantes unidades: Sistema de blocos falhados (Sf) verificado na figura 12 na cor verde. Esta unidade, apresenta-se de acordo com a classificao da Seplan-MT (2007) com mdia dissecao e prxima ao exutrio da bacia Tenente Amaral. Sistemas de aplainamento (Ap) se configura na cor vermelha na figura 12. Esta unidade est pontuada na maior parte da bacia hidrogrfica com uma conformao plana, o que configura condies propcias para a produo agrcola.
41
Figura 12 : compartimento geomorfolgico Fonte: Seplan, adaptado por Adriana Oliveira Barros
3.5.2.1. Sistema de Blocos Falhados Sf
Caracteriza-se estruturalmente como uma rea onde esforos tectnicos interferem severamente na disposio das formas de relevo atravs de falhas e fissuras. As imagens de radar e de satlites mostram claramente os padres estruturais associados a relevos de blocos falhados, refletindo deslocamento de blocos e falhamentos. As linhas de falhas e fraturas tm orientaes bem definidas. O resultado destes esforos gera relevos com blocos abatidos (graben) e outros elevados (horst), que interferem na topografia original. De acordo com dados da SEPLAN, no Estado de Mato Grosso os Sistemas de Blocos Falhados apresentam grande variabilidade de situao em relao aos processos de dissecao. 3.5.2.2. Sistemas de Aplanamento - Ap Este sistema corresponde ao conjunto de formas aplanadas e que ocupam posio de cimeira dentro do conjunto regional do relevo. So identificadas a partir de sua ampla rea de ocorrncia, apresentando baixas declividades e baixa densidade de drenagem. Nas imagens de satlite foram identificadas, partir de 42
uma padronagem homognea de formas, com baixa rugosidade. Outra caracterstica marcante deste sistema a sua relao com o material superficial, composto por uma cobertura argilosa muito espessa, que apresenta crostas ferruginosas em sua base, fato este largamente observado nos trabalhos de campo.
3.5.3. Pedologia
3.5.3.1. Latossolos
So os que predominam na maior parte da rea de estudo. Os mesmos segundo Braun (1962) se caracterizam por apresentarem um horizonte A1 pouco desenvolvido e que no transpe 20 cm de espessura com teores mdios de matria orgnica, na rea de plantaes de cana. Apresentam uma porosidade elevada, com estrutura, textura e colorao que podem variar de uma localidade para outra. Esto caracterizados quimicamente por um pH cido a quase neutro para gua que varia em torno de 5,0 a 6,2. Para o pH de CaCl2, os valores oscilam entre 4,3 a 5,3. Os lcalis como Mg, Ca e K ocorrem em teores baixos. Os teores em matria orgnica so variveis, com valores que corresponderam a faixa de 0,21 a referente s anlises qumicas. A figura 13 apresenta o uso em solos Latossicos, haja vista que existe uma predominncia deste tipo de solo na rea em estudo, sendo que os Latossolos esto localizados na poro central da bacia em consonncia com topografias planas e, assim, propcios para a produo agrcola da regio.
43
Figura: Figura 13: Plantao de milho em Latossolo. Foto: Adriana Oliveira Barros, 2010.
De acordo com a SEPLAN (2007), so solos minerais, no hidromrficos, profundos, e bastante intemperizados, tendo como principais caractersticas apresentar um horizonte B Latossolico, de cor vermelho-escuro. 3.5.3.2. Latossolo Vermelho-Amarelo
So solos minerais, no hidromrficos, profundos ou muito profundos, bem drenados, com ocorrncia de horizonte B Latosslico, de cor vermelho a vermelho- amarelada. De acordo com a classificao da SEPLAN (2007) so solos bastante intemperizados, o que se reflete na baixa capacidade de troca de ctions e saturao de bases. 3.5.3.3. Neossolos Quartizarnicos
Tais solos de acordo com a SEPLAN (2007) so caracterizados como solos arenosos quartzosos que se desenvolvem a partir dos arenitos ou dos sedimentos areno-quartzosos inconsolidados, pertencentes s Formaes Furnas, Ponta Grossa 44
e Utiariti, sendo pouco evoludos com a continuidade dos horizontes dos tipos A e C, de pequena capacidade de reteno de gua e ctions, sendo tambm notadamente insaturados. Segundo Ker et al. (1990), os Neossolos quartzarnicos (antigamente denominados Areias quartzosas) so solos de estrutura simples, onde no existe coerncia entre as unidades estruturais, em face da carncia de colides agregantes (matria orgnica, xidos e argila). 3.5.3.4. Podzico Vermelho-Amarelo
So solos minerais, no hidromorficos, com horizonte B textural, de cor vermelho-amarelada, apresentam-se como solos profundos a pouco profundos, com argila de atividade baixa, horizonte A dos tipos moderado e textura mdia/argilosa em sua maioria.
3.5.4. Clima
Segundo o modelo de Wladimir Koppen, existem cinco grupos climticos principais reconhecidos no estado, baseados principalmente na temperatura e na precipitao. Segundo Maitelli (2005), essas caractersticas so associadas aos tipos de vegetao para definir os tipos de clima, que so abreviados com letra maiscula e minscula. A bacia Tenente Amaral, figura 14, de acordo com a classificao de W. Koppen enquadrasse no tipo climtico (Aw) Clima de Savana, tipo predominante da regio. 45
Figura: 14 Classificao Climtica de Kppen para Mato Grosso Fonte: Adaptado por Maitelli
De acordo com Santos (2007) durante o ms mais frio em Julho, a temperatura mdia nas mediaes da bacia de 21, 3 C e a precipitao anual atingem a casa dos 2.000 mm. A distribuio das precipitaes revela que o regime das chuvas tipicamente tropical. Do ponto de vista sazonal, as chuvas ocorrem principalmente no vero e reduzem durante o inverno. De maneira geral, verifica-se que h dois perodos distintos na rea, um chuvoso que vai de setembro a abril e outro seco, de maio a agosto.
46
4. MATERIAIS E MTODOS 4.1. Viso geral
Neste captulo esto descritos os procedimentos operacionais para a elaborao deste trabalho. A metodologia utilizada baseia-se em Meirelles et al. (2007) e consiste basicamente nas seguintes etapas: O primeiro passo para o desenvolvimento deste trabalho foi o levantamento e leitura de bibliografias ou de fontes secundrias de obras publicadas acerca do tema enfocado, que contriburam para a realizao da classificao baseada em regras fuzzy. Posteriormente, foram buscados os materiais necessrios que deram auxlio para o alcance dos objetivos traados. Na Secretaria de Planejamento do Estado de Mato Grosso (SEPLAN), obteve-se as bases cartogrficas de Hidrografia, Pedologia Geomorfologia, Geologia e Declividade. Tais dados deram subsdios para a discusso do trabalho tcnico e descritivo. Concomitante a esse processo realizou-se trabalho de campo com o objetivo de fazer o reconhecimento visual da rea de estudo e coleta de amostras dos diversos cultivos agrcolas, pastagens e vegetao natural. No mapeamento por abordagens fuzzy, permitiu-se desenvolver uma classificao integrada, ou seja, combinar diversos mapas e uma imagem de satlite que subsidiaram o processo classificatrio. Os modelos baseados na lgica fuzzy permitem uma maior flexibilidade nas combinaes de mapas com pesos e podem ser implementados nos Sistemas de informaes geogrficas atravs de uma linguagem de manipulao espacial (MEIRELLES et. al ,2007). A figura 15, mostra de maneira geral, as etapas metodolgicas desenvolvidas para a elaborao do trabalho proposto.
47
Figura 15: Etapas do desenvolvimento do trabalho
Definio das classes temticas
Aquisio dos polgonos Das areas de treinamento
Gerao da matriz de participao fuzzy Pr- Classificao
por Mxima Verossimilhana
Extrao de assinaturas para a classificao relativa Classificao fuzzy Reclassificao das classes temticas
Validao Delimitao da rea de estudo
Definio dos pesos
Apenas com a imagem Landsat
Com os l ayers de delicividade, solos e imagen Landsat Desenvolvimento de duas classificaes 48
4.2. Pr-processamento dos dados espaciais
a) O banco de dados espacial da bacia foi desenvolvido no laboratrio de geoprocessamento do Departamento de Geografia da UFMT. Aps a seleo da rea de estudo, foram adquiridas, tratadas e armazenadas informaes secundrias em rgos Estaduais e Federais, e em sites dos mesmos, como as bases cartogrficas. Foram acrescentados no banco de dados reas de treinamento e validao das classificaes provenientes de campanhas de levantamento em campo. A preparao das bases temticas, inclu procedimentos como de ajustes em edio vetorial, pois, foi necessrio reeditar os layers temticos a fim de fazer converses geogrficas dos limites da bacia com as feies de Hidrografia, Geomorfologia, Geologia, Pedologia e Declividade.
b) Os estudos comparativos de mapeamento do uso da terra utilizando classificadores fuzzy e de verossimilhana mxima (Maxver) para definio dos pesos na matriz de pertinncia foram baseados na imagem de satlite Landsat-5 TM, na base de solos e declividade de Secretaria de Estado de Planejamento (SEPLAN MT).
4.2.1. Imagens de satlites
No contexto do presente trabalho, foram utilizadas duas imagens de satlite, Landsat e Spot, para ajuste e classificao do uso da terra na rea em estudo. A imagem Landsat-5 TM, correspondente a rbita 226, ponto 071, com resoluo de 30 metros em composio RGB pelas bandas 3, 4 e 5, obtida gratuitamente na pgina de catlogo de imagens CBERS (INPE-DGI, 2010). A tabela 1 representa os dados da referida imagem de satlite, utilizada para a classificao fuzzy objetivada neste trabalho.
49
Tabela 1. Data de passagem da imagem do satlite LANDSAT. Data de Imagem Sensor/Satlite Bandas (TM) 06/06/2010 TM/LANDSAT -5 3, 4, 5
A imagem foi utilizada como base para a classificao do uso da terra por abordagens fuzzy e tambm como suporte para a pr-classificao pelo algoritmo maxver, com o objetivo de criar a matriz de participao no Idrisi, que ser detalhada nos captulos posteriores. A escolha da referida imagem se deu por conta de sua disponibilidade e sua aplicao, pois consiste em uma imagem de mdia resoluo espacial, sendo utilizada por diversos modelos de classificao do uso da terra. Em relao cobertura de nuvens, a imagem correspondente a data do trabalho de campo no ficou livre das mesmas, e muitas das imagens correspondentes ao ms de maio, estavam comprometidas pelo fato do perodo das chuvas se estender at aquele ms. Assim, a imagem de satlite utilizada para o processamento do modelo digital, tem uma limitao considervel, pois datada de um ms aps a coleta dos dados de campo uma vez que no havia disponibilidade de imagens de mdia resoluo espacial, livre de nuvens na data de visita a campo. Isto inviabilizou o processamento da mesma para o modelo, pois, as nuvens descaracterizam os nveis de cinza e as suas tonalidades reais. J a imagem Spot de resoluo espacial de 2,5 Metros datada de julho de 2007, disponibilizada pela Secretaria de Estado de Meio Ambiente (SEMA- MT) foi importante para fazer a reedio dos dados inseridos no modelo fuzzy, pois ela possui uma resoluo espacial de boa qualidade. Deste modo, foi possvel ajustar na imagem, por exemplo, dados de solos com ajuda de especialistas de solo e de sensoriamento remoto na interpretao e reconhecimento dos solos atravs das formas, tonalidade/cor e textura de acordo com as caractersticas dos mesmos. Porm, antes de trabalhar com as imagens, foi necessrio o tratamento das mesmas, atravs do pr-processamento digital, proporcionando a minimizao das distores adquiridas durante o processo de aquisio, transmisso e visualizao das imagens, de modo que, a extrao das informaes das mesmas fosse feita de forma segura, ntegra e de preciso. Neste caso, se fez necessrio a realizao de vrias funes tais como: realce ou contraste, georreferenciamento ou registro de imagens e no 50
processamento realizou-se a coleta das reas de treinamento e posteriormente fez- se a classificao. O realce ou contraste de imagem uma tcnica de ampliao de contraste com o objetivo de melhorar a qualidade das imagens sob critrios subjetivos do olho humano, ou seja, uma cena de baixo contraste transformada para outra visualmente mais destacada. normalmente utilizada como uma etapa de pr- processamento para sistemas de reconhecimento de padres. Para isto, ocorre uma concentrao em uma pequena faixa dos dados contidos em uma imagem de satlite, impedindo o aproveitamento de toda faixa de 256 nveis de cinza e favorecendo uma visualizao mais ntida. Assim, h uma transferncia radiomtrica em cada pixel, aumentando a discriminao visual entre os objetos presentes na imagem. Esta operao feita ponto a ponto, independentemente da vizinhana. A distribuio estatstica dos nveis de cinza em termos do nmero de amostras (pixels) com cada nvel descrita em um histograma, onde, regra geral, quanto maior a inclinao de uma curva, maior o contraste (INPE, 1998). Deste modo, o realce ou contraste foi feito no ArcGis, usando a funo do histograma de aumento linear de contraste, de forma que os nveis de cinza fossem espalhados por todo o intervalo possvel de 256 nveis com determinao dos valores mximos e mnimos. Estes valores compuseram os valores iniciais e finais e determinaram a inclinao da reta. O processo de georreferenciamento consiste no ajuste do sistema de coordenadas de uma imagem com uma base ou carta topogrfica, cobrindo a mesma rea. Desta forma possibilita que cada um dos pontos ou pixels da imagem, passe a ser atrelado a um par de coordenadas de um sistema universalmente conhecido. Pode-se usar ento como referncia espacial, uma base em formato digital (outra imagem ou arquivo vetorial). No caso da rea em estudo, foi adotado para o projeto final o Sistema de Projeo Universal Transverso de Mercator-UTM e o Datum WGS 84. Tendo como base cartogrfica de apoio a rede hidrogrfica da bacia Tenente Amaral, que foi devidamente elaborada a partir da imagem de satlite Spot de resoluo espacial de 2,5 m, disponibilizada pela SEMA MT. 51
4.2.2. Mapa de solos
O mapa de solos utilizado foi disponibilizado pela Secretria de Planejamento do Estado de Mato Grosso (SEPLAN-MT), e ajustado de acordo com a imagem Spot de 5 metros de resoluo espacial pelo Arc-Gis. Foi necessria a edio da base temtica, de solos, pois o nvel de detalhe da imagem Spot propiciou melhorar a qualidade da escala de abrangncia, tendo em vista que as escalas de trabalho da SEPLAN so de 1: 250 000 e o trabalho busca melhorar a escala de detalhes dos solos. Para tanto, utilizou-se do Software ArcGis 9.3, para a reedio da base de solos, onde muitos estavam sendo extrapolados, devido escala reduzida. Neste sentido, tal base, foi reelaborada de acordo com um mosaico de imagens Spot de 2,5 metros de resoluo espacial disponibilizada pela Secretaria de Estado de Meio Ambiente (SEMA- MT) datada de julho de 2007. Tal procedimento implicou na melhoria desta base considerada importante para o trabalho, haja vista que, determinados tipos de solos no so propcios para a prtica de agricultura e pastagens cultivadas na rea de estudo. Para melhor ilustrar, tem-se como exemplo os solos Neossolos Quartzarnicos, que possuem caractersticas de tonalidades de cor clara e ainda, para prtica agrcola, normalmente se apresentam com curvas de nvel para evitar eroses. Portanto, essas caractersticas so visveis na imagem Spot, pois sua resoluo espacial proporciona uma boa visibilidade. No que tange a sua importncia para a pesquisa, os solos foram classificados de acordo com nveis de aptido de uso, com base em levantamento bibliogrfico, onde suas caractersticas so essenciais para determinar que tipo de atividade econmica seja mais vivel ao seu uso. Portanto, o trabalho se ampara na disponibilidade de diversas bibliografias referentes ao conhecimento pedolgico, na qual serviram como suporte para o trabalho tcnico. Desta maneira, as pesquisas realizadas pela SEPLAN-MT que serviram para respaldar os nveis de importncia dos solos para o cultivo agrcola foram de extraordinria importncia, para verificar o nvel de aptido de cada um deles presentes na rea de estudo. 52
Assim, o quadro 2 demonstra os nveis da aptido agrcola, com base (SEPLAN-MT), onde professores especialistas em estudo dos solos, determinaram o nvel de importncia para produo agrcola de cada solo, sendo a, sendo o nvel (1) de menor aptido e o nvel (5) o de maior aptido.
Quadro 2: Nveis de aptido dos solos em relao a produo agrcola presentes na Bacia do Rio Tenente Amaral SOLO NIVEL Solos Litlicos 1 Solos Concrecionrios 2 Neossolos Quartzerenicos 3 Solos Podzlicos 4 Solos Latosslicos 5 Fonte: Organizado por Adriana Oliveira Barros, 2011.
Foi necessrio fazer ainda o georreferenciamento do layer e posterior ajuste de pixels, pois foi transformado para matriz (linhas e colunas) que devem ter o mesmo tamanho dos demais dados, sendo importante o ajuste das informaes com mesmo tamanho de pixel e com linhas e colunas iguais para o processamento no software IDRISI.
4.2.3. Declividade
O mapa de declividade do terreno foi elaborado a partir dos dados da Shuttle Radar Topography Mission (SRTM) que so os resultados de um projeto cooperativo entre a NASA (National Aeronautics and Space Administration), NGA (National Geospatial-Intelligence Agency), DLR (Agncia Espacial Alem) e ASI (Agncia Espacial Italiana) com o objetivo de gerar um Modelo Digital de Elevao (MDE) da Terra. O Projeto SRTM faz parte de um programa que visa examinar a superfcie terrestre, oceanos, atmosfera, gelo e a vida como um sistema integrado. Os dados foram disponibilizados pelo Departamento Nacional de Produo Mineral (DNPM), onde posteriormente calculou-se a declividade percentual com o uso da ferramenta slope do ArcGis no Spatial Analyst. Tambm foi necessrio fazer o georreferenciamento do layer e posterior ajuste de pixels, pois foi transformado para matriz (linhas e colunas) que devem ter o 53
mesmo tamanho dos demais dados, sendo fundamental o ajuste das informaes com mesmo tamanho de pixel e com linhas e colunas iguais para que o software Idrisi pudesse process-los.
4.2.4. Levantamento de campo
O trabalho de campo foi realizado nos dias 20 e 21 de maio de 2010 para a coleta de amostras de treinamento e validao das principais culturas agrcolas e formaes vegetais existentes na Bacia Tenente Amaral. Foram percorridos aproximadamente 130 km, procurando explorar ao mximo a bacia no intuito de subsidiar a classificao, sendo rea total da bacia equivalente a 855 Km, veja figura 16.
Figura 16: Mapa ilustrativo da configurao da bacia Tenente Amaral. Fonte: Adriana Oliveira Barros
Para a realizao da coleta dos dados, foi utilizado um receptor de Sistema de Posicionamento Global (GPS) marca Garmin-Etrex, uma mquina fotogrfica, planilha de campo e uma imagem de Spot da rea com resoluo de 2,5 metros, 54
abrangendo toda a bacia e que serviu de apoio para reconhecimento da rea, localizao dos plantios e definio dos pontos de amostras. As campanhas de campo tm como principal fundamento a possibilidade de abranger ao mximo a rea escolhida propiciando a checagem de dvidas relativas aos usos da terra, pois diferentes culturas se configuram em vrios momentos com mesma forma, tamanhos e tonalidade em relao a outras.
4.2.5. Descrio das reas de treinamento
A partir das coletas dos pontos em campo, foram descritos na planilha, todas as caractersticas de campo, com o intuito de subsidiar os trabalhos em laboratrio. Posteriormente os dados de campo referentes aos pontos de coordenadas foram vetorizados no ArcGis com base na imagem Landsat- TM 5, a fim de construir polgonos dando significncia as amostras dos tipos de uso do solo encontradas no campo. A figura 17 apresenta o limite da bacia hidrogrfica em linha vermelha, tal limite foi processado 5 km maior que o tamanho real, com o objetivo de no perder informaes amostrais. Ao centro se apresenta o rio principal da bacia Rio Tenente Amaral em cor azul escuro e seus demais afluentes de cor azul claro. Os polgonos representam o nmero total das 126 amostras coletadas em campo, obtendo nove classes sendo, Algodo, Cana-de-acar, Cerrado, Crolatria, Mata Ciliar, Milheto, Milho, Pastagem e Solo Exposto. A figura abaixo, expressa 17 subclasses de uso do solo que foram subdivididas a partir das nove classes descritas acima, com o intuito de melhor discernir os nveis de cinza para a classificao final. Assim, tem-se: (1) Algodo, (2) Algodo-1, (3) Algodo-2, (4) cana-de-acar, (5) cana-de-acar-1, (6) cana-de- acar-2, (7) cana-de-acar-3, (8) cana-de-acar-4, (9) Cerrado, (10) Crolatria, (11) Mata Ciliar, (12) Milheto Bravo, (13) Milho, (14) Milho Seco, (15) Milho-1, (16) Pastagem e (17) Solo Exposto.
55
Figura 17: Amostras coletadas em campo da rea de estudo Fonte: Adriana Oliveira Barros
O quadro 03 apresenta as o quantitativo de amostras coletadas em campo com a elaborao de polgonos para representao das reas das referentes culturas e/ou uso predominantes na rea de estudo.
56
Quadro 03: Nmero de pontos de amostras dos tipos de cultivo agrcola na Bacia do Rio Tenente Amaral no municpio de Jaciara.
Fonte: Elaborado por Adriana Oliveira Barros
Dos dados coletados, tm-se uma quantidade significativa de pontos com reas de pastagens. A maior quantidade de pontos coletados para a classe de pastagens ocorreu principalmente em reas com declividade acentuada e em reas onde a agricultura tecnolgica no tem tanto interesse, pois as condies no so to propcias para produo agrcola. Aps a vetorizao das classes na imagem Landsat-5 TM e ao analisar as respostas espectrais das mesmas constatou-se a necessidade de subdividi-las para que no ocorressem maiores confuses das assinaturas, j que apresentavam uma dinmica diferenciada e considervel em suas assinaturas. Deste modo, uma mesma cultura apresentava cores e texturas diferenciadas de acordo com as fazes de crescimento resultando por exemplo na cana-de acar ser subdividida em 4 classes. ID Nome/Classes Total de Pontos Amostrados Data 1 Algodo (Gossypium hirsutum L.). 3 20/05/2010 2 Algodo 1 1 20/05/2010 3 Algodo 2 2 20/05/2010 4 cana-de-acar (Saccharum officinarum L.). 5 20/05/2010 5 cana-de-acar- 1 9 20/05/2010 6 cana-de-acar- 2 2 20/05/2010 7 cana-de-acar- 3 1 20/05/2010 8 cana-de-acar- 4 1 20/05/2010 9 Vegetao natural (Cerrado) 5 20/05/2010 10 Crolatria 2 20/05/2010 11 Mata Ciliar (Cerrado) 8 20/05/2010 12 Milheto Bravo 5 20/05/2010 13 Milho 9 20/05/2010 14 Milho Seco 12 20/05/2010 15 Milho- 1 9 20/05/2010 16 Pastagem 51 21/05/2010 17 Solo Exposto 1 21/05/2010 Total 126 57
Contudo, foi necessrio fazer ajustes para cada classe de acordo com suas assinaturas espectrais, sendo importante a experincia do interprete, levando em considerao que as diferentes culturas agrcolas e at mesmo da mesma espcie, se desenvolvem de forma desproporcional quanto ao seu tamanho, tonalidade/cor e textura. Ainda no que tange as respostas espectrais justifica-se os ajustes devido ao fato de a imagem Landsat-5 TM ser de aproximadamente 30 dias aps a coleta dos dados de campo, pois as tonalidades/cores dos polgonos das classes de uso coletadas em campo apresentavam-se diferenciadas. O exemplo disso foi amostra do algodo que no ms de maio, data correspondente ao trabalho de campo, estava recm-plantado, apresentando cor rosado a violeta na imagem, j na imagem 30 dias (ms de junho) posterior ida a campo apresentava-se com cor azul- esverdeado. Essa diferena na tonalidade/cor refere-se ao desenvolvimento fenolgico da cultura, que num perodo aproximado de 30 dias, apresentou diferena em seus valores de refletncia espectral. A figura 18 apresenta um exemplo de classes subdivididas, haja vista que reas de treinamento das mesmas classes se apresentam com diferentes respostas espectrais tambm com diferentes cores em funo das variedades, tipo de manejo, cultivo, tamanho e idade da amostra. Assim, possvel verificar que uma mesma classe de cultura aparece com cores bem diferenciadas na composio colorida. Por exemplo, Algodo se apresenta com trs cores diferentes subdividido em algodo, algodo-1 e algodo-2. Na classe Milho tambm fica ntida a diferena dos valores ou nveis de cinza nas bandas 3, 4, 5 de composio colorida tendo em vista a data de plantao e as limitaes da imagem. Desta forma, tem-se: Milho, Milho-1 e Milho Seco.
58
Figura 18: Demonstrao das caractersticas de reflexo de amostras dos diferentes tipos de cultivo coletados em composio colorida 3, 4,5 da imagem Landsat-5 TM.
As figuras abaixo representam os principais usos agrcolas na bacia Tenente Amaral, no momento do trabalho de campo, pois de acordo com a rotao de cultura, ocorrem momentos em que os tipos de uso so diferentes. A figura 19 apresenta o uso de plantao de milho no momento do levantamento de campo, est cultura se apresenta principalmente, na poro central da bacia hidrogrfica Tenente Amaral, pois as condies de solo e relevo so propcios para o cultivo desta cultura. Na figura 20, tem-se a presena de pastagem, que tambm tem uso expressivo na presente rea. Verifica-se que a pastagem se encontra na poro centro leste da bacia, o que configura relevos falhados e por tanto com condies menos propcias para a agricultura mecanizada o que ento utilizado para a plantao de pastagem para a criao de gado extensivo.
59
Figura 19: Plantao de Milho na rea de estudo Figura 20: Pastagem na rea de estudo
4.3. Classificao fuzzy
A classificao fuzzy foi realizada no software IDRISI de duas maneiras, sendo que a primeira classificao foi feita a classificao da imagem Landsat-5 TM nas bandas 3, 4 e 5. E o segundo produto da classificao, foi elaborado com o uso da Imagem Landsat-5 TM nas bandas 3, 4 e 5, o layer de declividade (SRTM) e o layer de solos (adaptado de Seplan-MT). Para tal procedimento, foram necessrias as amostras de campo, a matriz de participao e as assinaturas da imagem e dos layers a cima citados para a construo do produto final de classificao fuzzy. 60
O procedimento para a classificao utilizando somente da informao da imagem Landsat-5 TM, serviu apenas como critrio de teste afim de comparar com o produto final do modelo fuzzy.
4.3.1. Procedimentos de dados matriciais
Para este procedimento foi indispensvel utilizar a ferramenta conversion tools do ArcGis no Spatial Analyst para transformar os dados vetoriais (polgonos) para matricial (pixel). Este procedimento foi necessrio para o software idrisi reconhecer o formato em tif/geotif. Porm, antes de exportar os dados para construir o modelo fuzzy no Idrisi, foi imprescindvel primeiro transferir os dados para o Software Envi, para o reconhecimento dos dados em formato tif/geotif pelo Idrisi. O procedimento para a etapa de importao das informaes foi feito pela ferramenta file-import diferentes formatos - tif/geotif, onde ao importar transforma automaticamente em seu formato de dados Idrisi .rst. Aps esta etapa, passou-se para o princpio da classificao, onde foi importante gerar primeiramente uma matriz de pertinncia para os dados em formato de matrizes. Desta maneira, o grau de pertinncia foi alcanado a partir das amostras de campo integrando a matriz de solos, declividade e a imagem Landsat-5 TM.
4.3.2. Gerao da matriz de pertinncia do modelo fuzzy
Para gerar a matriz de pertinncia do modelo fuzzy, fez-se necessrio realizar uma pr-classificao supervisionada no software Spring verso 5.1.7. Assim, foi gerada uma matriz de confuso de erros, onde posteriormente serviu como base para a construo da matriz de pertinncia do modelo de classificao fuzzy no Idrisi. De acordo com a tutorial do Spring 5.1.7, a classificao supervisionada pode ser informalmente definida como o processo no qual, amostras de identidade conhecidas, so utilizadas para classificar pixels de identidade desconhecida. 61
J a matriz de confuso o resultado das assinaturas das bandas 3, 4 e 5 da imagem Landsat-TM5 e da matriz de solos e declividade de acordo com as amostras dos polgonos das 17 subclasses de uso da terra coletadas em campo, mostrando o quanto cada amostra teve de acerto ou confundido com outra classe. Descrevendo as etapas da classificao no software Spring, a mesma se deu atravs da classificao pelo algoritmo paramtrico de mxima verossimilhana (Maxver), aplicado tradicionalmente nas classificaes de imagens de satlite de mdia resoluo espacial, que configura os dados processados neste trabalho. Desta forma as reas de treinamento utilizadas pelo classificador maxver foram s mesmas coletadas em campo e tambm para a posterior classificao fuzzy no software Idrisi. Isso foi possvel devido as coletas das assinaturas espectrais serem feitas dentro dos limites dos dados de campo, pois foram adicionados como plano de informao para que se coletassem informaes precisas. De acordo com o tutorial Spring 5.1.7, para que a classificao por mxima verossimilhana seja precisa o suficiente, necessrio um nmero razoavelmente elevado de "pixels", para cada conjunto de treinamento. Desta maneira, o procedimento de maxver serviu para a elaborao das estatsticas de pertinncia no modelo fuzzy integrado com os dados da imagem Landsat-5 TM e os layers de solos e declividade, onde se utilizou das informaes definidas pela matriz de confuso do software Spring pelo classificador maxver. Os procedimentos para a pr-classificao Maxver no Spring so os seguintes: Criao de um banco de dados com o gerenciador acces;
Criao de um projeto com coordenadas UTM (WGS 84);
Construo do modelo de dados. Este procedimento necessrio para a importao dos planos de informao utilizados para a classificao, sendo eles: a imagem Landsat-5 TM, os layers de solos e declividade e o layer dos polgonos das classes de acordo com os dados de campo;
Posteriormente, utilizou-se da ferramenta de classificao a fim de coletar as reas de treinamento para criar uma matriz da classificao maxver. 62
Coletando as mesmas reas de treinamento dos dados incorporados para o modelo fuzzy;
Finalizada a etapa de coleta de reas de treinamento, fez-se o procedimento de classificao a fim de coletar os dados da matriz de confuso fazendo uma anlise das amostras, a partir dos dados de campo processados pelo classificador maxver.
Como produto final foram exportados os resultados estatsticos da matriz de confuso para o software Exel 2007, para processar a matriz de pertinncia da integrao dos dados do modelo integrado pelas informaes da imagem Landsat e dos layers de solos e declividade a fim de subsidiar a pertinncia das 17 subclasses de campo definidas para a classificao fuzzy no Idrisi.
4.4. Desenvolvimento do modelo fuzzy no Idrisi
1) Criou-se a matriz de pertinncia fuzzy, utilizando as probabilidades a priori obtidas pela pr-classificao Maxver para cada classe.
2) Desta forma, a figura 21 apresenta, na interface do Idrisi a matriz de pertinncia da classificao fuzzy, com as 17 subclasses elencadas. 63
Figura 21: Matriz de pertinncia para classificao fuzzy no Idrisi.
3) Aps ter criado a matriz de pertinncia fuzzy, foi necessrio exportar cada linha e coluna das reas de treinamento em suas 17 subclasses para o formato .avl e substituir vrgula por ponto para identificao das casas decimais.
4) No prximo passo foi utilizado o comando ASSIGN, para gerar a probabilidade fuzzy para cada uma das dezessete subclasses elencadas para o estudo.
5) Finalizada esta etapa, foram desenvolvidas assinaturas fuzzy, no comando FUZSIG do Idrisi, onde consideram que cada pixel tem potencialmente algum grau de associao a mais de um conjunto (classe), de acordo com o grau com que misturas destas classes existem dentro de cada pixel. As assinaturas foram geradas a partir das classes de campo e dos trs layers utilizados no modelo sendo: as bandas 3, 4 e 5 da imagem Landsat-5 TM, a base de declividade (SRTM) e a base pedolgica da (SEPLAN MT) 64
ajustadas. Assim, diminui a importncia da rea de treinamento no desenvolvimento da assinatura para uma classe, caso ela ocupe uma poro muito pequena de determinado pixel.
6) Aps esta etapa, no comando FUZCLASS, foi gerada uma imagem para cada classe, associada ao conjunto fuzzy, juntamente com uma imagem de incerteza da classificao o que configura a juno de todas as classes e, portanto, conforme um nvel de associao total para o modelo fuzzy final.
7) Por fim foi utilizada a ferramenta HARDEN, que possibilita a juno de todas as classes de acordo com seus nveis de associao gerados no comando anterior atravs do grau de incerteza. Desta maneira, obteve-se o resultado fuzzy para as 17 subclasses elencadas para a classificao.
Aps tais procedimentos, foi exportado o resultado final fuzzy para o software ArcGis (Esri), para reclassificao das 17 subclasses para as nove classes de culturas agrcolas e pastagens sendo elas: Algodo, Cana-de-acar, Cerrado, Crolatria, Mata Ciliar, Milheto Bravo, Milho, Pastagem e Solo Exposto.
4.5. Validao
Realizada a classificao da imagem, foram utilizados procedimentos estatsticos para definir a acurcia do mapeamento. A acurcia avalia o posicionamento da distribuio espacial de uma classe temtica em relao realidade no campo (BERNARDES, 2007). Embora o tema desta anlise seja o erro temtico, no possvel dissoci-lo dos demais tipos de erros (temporal), pois dependendo de sua rea de estudo, o erro temporal se torna muito relevante, o que no caso em questo foi fundamental, pois a imagem processada foi 30 dias aps a coleta dos dados em campo. O mapa de verdade de campo foi gerado a partir do ArcGis, baseando-se em 20 amostras de campo que foram selecionadas para tal fim, pois no foram utilizados para o modelo de classificao fuzzy. Assim, foi utilizado o comando validao incorporado no IDRISI Andes verso 15. Deste modo, com base na classificao fuzzy e o plano de referncia elaborado, 65
foram seguidos os passos que esto ilustrados na figura 22. No menu processamento de imagem utilizou-se da ferramenta accuracy assessment (Avaliao da Exatido) depois foi feito o processamento utilizando-se da ferramenta errmat onde foram inseridos os dados da imagem classificada e os pontos amostrais de campo.
Figura 22: Procedimento de validao do Idrisi Andes 15.
Este comando agrupado ao Idrisi Andes 15.0, tem como objetivo a gerao automtica da matriz de confuso e o seu respectivo ndice de Kappa, que tem variao de (0) para pssima e (1) para excelente. 4.5.1. Matriz de Confuso
A matriz de confuso faz referncia a quantidade de pixel classificado no mapa temtico pelo modelo fuzzy, com o real (verdade de campo). Nela, informado a qualidade de uma grade numrica ou imagem temtica atravs de pontos amostrais de referncia. 66
O objetivo de uma matriz de confuso de uma hiptese oferecer uma medida efetiva do modelo de classificao, ao mostrar o nmero de classificaes corretas versus as classificaes preditas para cada classe, sobre um conjunto de exemplos. 4.5.2. ndice de Kappa
Para Congalton (1991) o uso do coeficiente kappa (K) satisfatrio na avaliao da preciso de uma classificao temtica, pelo fato de levar em considerao toda a matriz de confuso no seu clculo, inclusive os elementos de fora da diagonal principal, os quais representam as discordncias na classificao, diferentemente da exatido global, por exemplo, que utiliza somente os elementos diagonais. Os valores contidos na tabela 02 foram desenvolvidos por Landis e Koch, (1977), e citados no trabalho de Moreira (2001). Desta maneira, a referida tabela tem sido base para referncia para classificar mapas resultantes da utilizao de dados de sensoriamento remoto, dentro de certas restries, porm tem dado resultados satisfatrios. Tabela 2. Qualidade da classificao de acordo com o ndice de kappa.
Fonte: Adaptada de Landis e Koch, 1977, citado por (MOREIRA, 2001).
67
5. RESULTADOS E DISCUSSO 5.1. Solo e declividade utilizados no modelo Fuzzy
A classificao fuzzy foi desenvolvida atravs do uso conjunto da imagem Landsat-5 TM e os mapas digitais de declividade e solos, figuras 23 e 24 respectivamente, que foram ajustados para a construo do modelo de mapeamento. De acordo com Antunes (2003), a incorporao de dados complementares para a elaborao destes modelos foi importante para melhorar a acurcia da classificao, pois utilizando-se apenas dos dados espectrais, estes no so suficientes para se obter resultados mais acurados.
Figura 23: Declividade da bacia Tenente Amaral 68
Figura 24: Aspectos pedolgicos
Desta maneira apresenta-se a seguir as principais caractersticas das variveis de declividade e solos com nfase neste ltimo, nas nove classes adotadas para este trabalho, tendo em vista sua importncia para a classificao do uso da terra na rea de estudo. Contudo, neste tpico procura-se demonstrar os percentuais dos quatro tipos de solos presentes na rea de estudo e sua importncia para cada classe mapeada, bem como a relao com a declividade do relevo.
5.2. Interao das classes de uso da terra com os tipos de solos
5.2.1. Interao com os Solos Podzlico Vermelho Amarelo
O solo Podzlico Vermelho Amarelo se apresenta significativo nas classes de cerrado, mata ciliar e nas pastagens, figura 25. Contudo, justifica-se o fato destes solos estarem presentes em reas com maiores declividades e prximas dos rios, o que configura reas pouco propcias para a agricultura de preciso. Nestes solos tambm aparece significativamente a plantao de pastagem para criao de gado extensivo. 69
Figura 25: Resultado da classificao fuzzy integrada e sua relao com os solos Podzlicos Vermelho Amarelo.
De acordo com a Seplan (2007), em Mato Grosso, os podzlicos licos, distrficos e eutrficos ocorrem sob vegetao de Floresta e Cerrado, predominantemente utilizados com pastagem plantada. Neste sentido fica evidente que estes solos foram fundamentais para o auxlio da classificao, principalmente das classes mata ciliar, cerrado e pastagem. Em termos de localizao, os solos Podzlicos esto apresentados na poro leste da bacia. Nestas reas ocorrem as maiores declividades da rea e que esto prximo ao exutrio do rio principal que o Tenente Amaral. Estes solos esto apresentados no relevo de sistemas falhados com uma estrutura geolgica da formao Furnas e formao Ponta Grossa.
5.2.2. Interao nos Solos Neossolos
No caso dos solos Neosslicos, possuem classificao significativa nas classes cerrado, mata ciliar e pastagens, figura 26. Desta maneira, possvel verificar que estes solos tambm foram importantes para o modelo de classificao fuzzy, pois com a integrao dos respectivos solos e declividade, foi possvel o algoritmo melhor classificar o produto final. Estes solos esto presentes na rea de 70
estudo prximos aos rios e com maiores declividades, o que traz maior consistncia ao modelo fuzzy.
Figura 26: Resultado da classificao fuzzy integrada e sua relao com os solos Neosslos.
De acordo com Ker et al. (1990) os Neossolos so solos bem suscetveis aos processos erosivos, no sendo raro nas reas de predominncia, a ocorrncia de ravinamentos e voorocamentos, sobretudo, em face das intervenes de natureza humana. No caso deste solo, necessrio fazer curvas de nvel para a conteno das eroses caractersticas deste tipo de formao pedolgica. Porm, na rea de estudo ocorre ocupaes tanto de agricultura, quanto de pastagens, neste tipo de solos. Todavia, no que tange a declividade estes solos se apresentam prximos aos leitos dos rios, por tanto, em reas planas e com mdias declividades. Pode-se constatar que estes solos foram importantes para a diferenciao das reas de cerrado, mata ciliar e pastagem. Assim, justifica-se a pouca incidncia dos neossolos no contexto da agricultura mecanizada, pois para produzir nestas reas necessrio maiores investimentos tanto em correes dos solos quanto para conter as eroses. 71
5.2.3. Interao nos Solos Latossolos
Quanto aos solos Latosslicos apresentam a maior potencialidade para o uso da agricultura tecnolgica ou de preciso. Sendo assim, a figura 27 evidencia que todas as classes tiveram relao expressiva nestes solos, tendo em vista a sua estrutura de nutrientes aliadas a relevos planos. Contudo, com excesso da mata ciliar, cerrado e pastagem, as demais culturas apresentaram a maioria de sua classificao nestes solos tendo ainda o solo exposto participando deste grupo, pois esta classe ser ocupada em outro momento pela agricultura.
Figura 27: Resultado da classificao fuzzy integrada e sua relao com os solos Latosslicos.
Os Latosslos possuem timas condies fsicas, que, aliadas ao relevo plano ou suavemente ondulado, favorecem sua utilizao com diversas espcies agrcolas adaptadas a regio (SEPLAN, 2007). No caso da rea em estudo, verifica-se de acordo com o mapeamento elaborado pela SEPLAN-MT que este solo o que apresenta a maior representatividade na bacia Tenente Amaral, em conseqncia tambm, o solo com maior importncia para o uso da agricultura. Em relao a declividade, estas reas se apresentam na poro mais plana da referente bacia hidrogrfica. Desta 72
maneira o fator de ter-se solo com qualidade e revelo relativamente plano, verifica- se que neste solo foi onde foram classificadas a maioria das culturas mecanizadas.
5.2.4. Interao nos Latosslicos Vermelho Amarelo Podzlicos
Para os solos Latosslicos Vermelho Amarelo Podzlicos, possuem pouca significncia para a rea de estudo, assim ocorrem em menos de 1% nas culturas de algodo, crolatria, milho e pastagem, figura 28, sendo que nas demais classes no existem relaes.
Figura 28: Resultado da classificao fuzzy integrada e sua relao com os solos Latosslicos Vermelho Amarelo Podzlico.
Estes solos, de acordo com a Seplan (2007) tem nas suas caractersticas qumicas, as principais limitaes ao aproveitamento agrcola, o que determina, para seu cultivo, execuo de prticas para correo qumica (adubao e calagem). Na presente rea h poucas ocorrncias do referente solo, pois correspondem uma pequena poro na parte norte da bacia, proporcionando assim, uma amostragem pouco significativa para a metodologia de anlise do trabalho.
73
5.3. Associao das subclasses temticas com as assinaturas da imagem Landsat-5 TM e os layers de solo e de declividade no modelo fuzzy
De acordo com Barbosa (2009) os resultados das assinaturas fuzzy diminuem a importncia das reas de treinamento de um s dado, no caso das classificaes convencionais com o uso apenas das assinaturas espectrais da imagem para as relativas classes, pois cria um grau de associao para cada categoria ou sub-classe de acordo com o conjunto de dados utilizados. Para Antunes (2003) o resultado da classificao uma imagem onde cada pixel associado classe com maior grau de pertinncia, onde deve-se chamar de desfuzzificao. A partir dos resultados ou sadas do modelo desenvolvido na perspectiva da lgica fuzzy, possivel verificar classes com respostas espectrais prximas entre si, o que considera-se com maiores nveis de incertezas. Eastman (op cit) enfatiza que a sada das assinaturas no um nico mapa de cobertura da terra classificado, mas sim um conjunto de imagens (no caso, uma para cada classe), sendo que cada qual expressa a pertinncia do conjunto fuzzy de cada pixel em cada classe, sendo denominada ao conjunto disso uma imagem de incerteza. Assim na figura 29, verifica-se, que as classes que apresentaram maiores associaes, esto representadas pela escala ao lado direito na imagem, onde possui os nmeros variando de (0) a (1). A associao (0) est apresentada pela cor preta, ou seja, no tem nenhuma associao. J o valor (1) est representado na escala, com colorao vermelho escuro, o que corresponde ao maior nvel de associao da respectiva classe. Entre 0 (preto) e 1 (vermelho) aparece uma gradao de cores que varia de lils, verde , amarelo e alaranjado representando o menor ou maior grau de associao de cada classe analisada. Quanto mais as cores so quentes mais associao tem, quanto mais frias, menos associaes. Assim, esta figura, apresenta a associao da imagem e seu respectivo resultado final para cada subclasse, onde, ao lado esquerdo so a associao das subclasses e as figuras visualizadas ao lado direito, apresentam os resultados da classificao para a 17 subclasses. Por tanto, notrio que cada rea classificada tem um nivel de classificao prximo de (1) vermelho.
74
a) Associao da classe (1): Algodo
a) Resultado fuzzy da classe (1): Algodo
b) Associao da classe (2): Algodo 1
b) Resultado fuzzy da classe (2): Algodo1
c) Associao da classe (3): Algodo2
c) Resultado fuzzy da classe (3): Algodo2 75
Cont.
d) Associao da classe (4): Cana-de-acar
d) Resultado fuzzy da classe (4): Cana-de-acar
e) Associao da classe (5): Cana-de-acar1
e) Resultado fuzzy da classe (5): Cana-de-acar1
f) Associao da classe (6): Cana-de-acar2
f) Resultado fuzzy da classe (6): Cana-de-acar2 76
Cont.
g) Associao da classe (7): Cana-de-acar3
g) Resultado fuzzy da classe (7): Cana-de-acar3
h) Associao da classe (8): Cana-de-acar4
h) Resultado fuzzy da classe (8): Cana-de-acar4
i) Associao da classe (9):
i) Resultado fuzzy da classe (9): Vegetao Natural (cerrado) 77
Vegetao Natural (cerrado) Cont.
j) Associao da classe (10): Crolatria
j) Resultado fuzzy da classe (10): Crolatria
k) Associao da classe (11): Mata Ciliar
k) Resultado fuzzy da classe (11): Mata Ciliar
l) Associao da classe (12):
l) Resultado fuzzy da classe 78
Milheto Bravo (12): Milheto Bravo Cont.
m) Associao da classe (13): Milho
m) Resultado fuzzy da classe (13): Milho
n) Associao da classe (14): Milho seco
n) Resultado fuzzy da classe (14): Milho seco
79
o) Associao da classe (15): Milho1 o) Resultado fuzzy da classe (15): Milho1 Cont.
p) Associao da classe (16): Pastagem
p) Resultado fuzzy da classe (16): Pastagem
q) Associao da classe (17): Solo Exposto
q) Resultado fuzzy da classe (17): Solo Exposto Figura 29: Resultado das assinaturas da associao fuzzy das 17 subclasses elencadas em laboratrio.
Para as subclasses de Algodo apresentadas pelas figuras (29. A, 29. B, e 29. C) verifica-se que o nvel de associao baixo, portanto, o resultado da classificao seguiu o nvel de maior proximidade com maiores associaes. J na subclasse cana-de-acar e cana-de-acar-1 (29. D e 29. E) pode-se perceber a ocorrncia de grande associao das mesmas para o modelo fuzzy. Neste sentido possvel que tenha ocorrido alguma confuso destas classes, pois 80
suas tonalidades so expressas na imagem Landsat-TM5 no tom prximo a cinza escuro, o que supostamente pode ter ocorrido alguma confuso entre as tonalidades da imagem. Todavia, as informaes de mapa de solos e de declividade, tiveram fundamental importncia para ajudar nesta classificao, pois em reas de Neossolo Quartzarenico e com alto percentual de declividade, a associao e a classificao destas subclasses foram nulas. Quanto as subclasses de cana-de-acar-2, cana-de-acar-3 e cana-de- acar-4, figuras (29. F, 29. G e 29. H) tiveram uma associao pouco significativa, pois representavam poucas reas, no momento do processamento da Imagem Landsat-TM5, tendo em vista que a maior parte destas subclasses j se apresentava em um estgio avanado e portanto, com tonalidades diferentes em cada banda, resultando em cores diferenciadas na composio colorida. As figuras (29. I e 29. K) representam a associao e o resultado das subclasses vegetao natural (cerrado) e mata ciliar respectivamente, onde foi possvel perceber que ocorreu importante associao para com os layers de solo e declividade incorporados pelo modelo fuzzy. Contudo, nota-se que os solos neossolos quartzarenicos que de acordo com a Seplan (2007) so solos caractersticos de reas com maiores umidades e, as reas com maiores declividade tiveram fundamental importncia para associao destas subclasses. As subclasses crolatria e milheto bravo, figuras (29. J e 29. L) tiveram pouca representatividade, pois associaram-se aos solos latosslicos e em reas planas, tendo em vista que essas culturas tem pouca ocorrncia na rea em estudo e assim, resultados poucos significativos para o modelo fuzzy apresentado neste trabalho. No que concerne as figuras (29. M, 29. N e 29. O) representando as subclasses de milho, milho seco e milho-1 respectivamente, foi possvel verificar a importncia novamente do fator solos e declividade, pois esta cultura se configurou na rea onde ocorrem a representatividade dos melhores solos para o produo agrcola. Isto confere o que diz o relatrio da Seplan (2007) no sentido de que os solos Latosslicos possuem timas condies fsicas, e que, aliadas ao relevo plano ou suavemente ondulado, favorecem sua utilizao com diversas espcies agrcolas adaptadas a regio. No caso do milho, a classificao por lgica fuzzy, foi fundamental para esta cultura, pois foi possvel aliar o fator solos com a declividade, que pode ser verificado nas respectivas figuras acima citadas. 81
A figura (29. P), que representa a subclasse pastagem, apresenta uma associao bastante complexa, pois as pastagens ocorrem em reas com mdias e at altas declividades e, no caso em solos considerados frteis para a agricultura e ainda os menos frteis. Porm foi possvel perceber que com um nmero de amostras bastante significativo pode ter havido uma superestimao da associao e classificao desta classe para o modelo apresentado nesta pesquisa. Por ultimo, na figura (29. Q) que representa a subclasse solo exposto ocorreu associao e conseqente classificao pouco significativa, o que configurou a nica amostra coletada em campo.
5.4. Resultado do grau de incerteza das subclasses pelo classificador fuzzy
De acordo com Antunes (2003) para a aplicao da classificao fuzzy, gerada uma imagem de associao para cada classe, o que foi ilustrado na figura anterior, bem como uma imagem que expressa o grau de incerteza do classificador para a classe na qual o pixel pertence. Este procedimento permite tambm avaliar a ambigidade da classificao baseada nas incertezas, ou seja, graus de pertinncia prximos entre si. Desta forma, a figura 30, apresenta a classificao de incerteza gerada pelo Idrisi a partir da integrao do modelo fuzzy. Deste modo, a figura evidencia os valores de (0) a (1) as incertezas quanto as classes que foram analisadas. De acordo com a legenda, a parte da imagem em que as tonalidades esto com coloraes mais prximas de azul e preto (0), porque h maiores graus de incerteza. J as reas da imagem onde se apresenta de colorao amarelada a vermelha (1), expressa que ocorreu maior associao da classe de acordo com o modelo fuzzy e, portanto h uma maior possibilidade de acerto para a classificao destas reas. Assim, pode-se observar na figura abaixo, que ocorrem algumas reas com um grau de incerteza importante para o mapeamento final, pois possvel verificar que em reas com maiores declividades e prxima aos cursos de gua, possuem maiores graus de incerteza de acordo com o modelo fuzzy. Percebe-se que a maior quantidade de certeza aparece nas reas de topo de vertente e em reas planas, o que est configura inter-relao entre os mapas temticos de solos e declividade. 82
Contudo, est evidenciado na figura que ocorrem complexas indefinies para a classificao, pois existem poucas reas da bacia classificada com tonalidades prximas a (1), ou seja, com pouca relao de certeza.
Figura 30: Resultados da Classification Uncertainty (Classificao de Incerteza) a partir do modelo fuzzy.
5.5. Resultado da classificao do uso da terra pelo mtodo fuzzy utilizando apenas a imagem Lansat-5 TM5 sem os layers de solo e declividade
Quanto a classificao da composio 3, 4 e 5 da imagem Landsat-5 TM, no modelo fuzzy, verifica-se maior carncia no que se refere aos dados incorporados ao modelo fuzzy com os Layers de solos e declividade. Desta maneira, fica evidente que as informaes adicionais, o solo e a declividade, utilizadas no modelo fuzzy, tiveram relevncia fundamental para a elaborao da classificao final e, evidenciou a necessidade de se ter outras 83
informaes para subsidiar a classificao, haja vista a complexidade das assinaturas da imagem. A figura 31, apresenta os percentuais da classificao elaborada apenas com as bandas 3, 4 e 5 da imagem Landsat-TM5. Sendo que, posteriormente para a sada final, foi incorporada a esta classificao as informaes adicionais a ttulo de comparao do modelo fuzzy . Nela, pode-se conferir que existe uma elevada quantidade de reas no classificadas, sendo que a classe Algodo inexistente e a classe Milho aparece com quase 70 % da rea, o que configura um erro temtico importante.
Figura 31: Percentual da classificao fuzzy com o uso apenas da imagem Landsat-TM5, nas bandas 3, 4 e 5 no Idrisi
A figura 32 apresenta a classificao temtica do uso da terra para as trs bandas do Landsat-TM5, sendo possvel visualizar importantes erros, tendo como os principais, a superestimao da classe de milho, apresentado em toda a poro da bacia, exceto, nas reas de cerrado. Assim, a classe cerrado foi a categoria em que os dados apareceram com maior coerncia de acordo com as assinaturas da imagem. Porm em algumas reas, verifica-se que no houve separao ou classificao de algumas classes, a exemplo da maior parte da mata ciliar. A classe algodo, no consta na classificao, sendo que as outras classes so consideradas quase que irrelevantes se ponderadas as classes do cerrado, milho e reas no classificadas. 84
Figura 32: Resultado da classificao fuzzy com o uso apenas da imagem Landsat-TM5, nas bandas 3, 4 e 5 no Idrisi
5.6. Resultado do uso e ocupao na Classificao baseada em lgica fuzzy com o uso da Imagem Landsat-5 TM e os Layers de declividade e solos
As classes de uso e ocupao do solo analisadas na bacia do rio Tenente Amaral foram: algodo, cana-de-acar, cerrado, crolatria, mata ciliar, milheto bravo, milho, pastagem e solo exposto. As categorias que foram definidas em campo correspondem a toda a rea de abrangncia da respectiva bacia que de 855 Km. Evidenciou-se em trabalho de campo e na classificao final, ou seja, na classificao da lgica fuzzy que a referente bacia tem como principal tipo de uso do solo a agricultura e pastagens, sendo esta ltima, utilizada para a prtica da pecuria extensiva. Como pode ser visto na figura 33, a classificao baseada no algoritmo fuzzy mostra que mais de 23 % da extenso da rea de estudo est conservada pelas reas de cerrado ou matas ciliares. No entanto, uma das classes de uso do solo que mais chama ateno para a bacia do rio Tenente Amaral o uso de cana-de-acar, que configura mais de 23 % 85
da rea de estudo. A considervel produtividade acontece possivelmente pela existncia da usina de acar e lcool Pantanal, localizada no municpio de Jaciara, mais precisamente na rea da bacia em estudo, o que demanda uma grande quantidade de matria-prima para o seu abastecimento e consumo. A classe algodo apresentou no momento da classificao, uma poro menos de 0,5 % da rea utilizada da bacia. Enquanto que a classe crolatria apresenta pouco mais de 1 % do espao cultivado na rea de estudo. Quanto classe de milheto bravo, apresenta aproximadamente 0,26 % de toda a rea agricultvel da bacia Amaral. A classe milho apresentou mais de 17 % da rea agricultvel, sendo importante ressaltar que tal ocorrncia acontece ao fato que, no momento da campanha de campo, este cultivo representava a entre safra da soja, assim estas reas com milho sero substitudas posteriormente pela rea plantada da soja. Para a classe de pastagem, estima-se que seja a classe em que o modelo teve a maior limitao, onde possivelmente ocorreu uma superestimao da mesma, j que ela representa mais de 33 % da rea. Esta categoria foi a que obteve a maior quantidade de amostras de campo configurando (51) ou 40% do total, conforme, apresentadas no quadro 2 descrito na metodologia, e devido a isto pode ter possibilitado o evento de tal resultado. A classe solo exposto, apresenta menos de 1 % da rea em estudo. Neste caso, o seu resultado foi significativo, pois naquele momento existiam poucas reas com solo exposto, sendo que, para tal classe foi coletada apenas uma amostra de campo.
86
Figura 33: rea classificada para cada classe desenvolvida pelo modelo fuzzy
5.7. Anlise da classificao do modelo Fuzzy
5.7.1 Matriz de pertinncia
A tabela 3 apresenta a descrio da matriz de pertinncia gerada a partir dos dados da pr- classificao do classificador Maxver. De acordo com Turksen, apud Galo e Prado (2009) a pertinncia de um elemento a um determinado conjunto passa a ser uma questo de gradao, onde o grau de pertinncia quando (0), significa que o elemento no pertence ao conjunto, quando o grau de pertinncia (1), o elemento pertence 100% ao conjunto fuzzy. Enquanto que os valores intermedirios so imprescindveis para que se verifique de acordo com a prevalncia em uma mesma classe a que categoria determinado pixel pertence.
87
Tabela 03: matriz de participao elaborada a partir do mtodo de classificao Maxver no software spring
Os resultados conferidos na tabela levam em considerao o aspecto que determinada cultura apresenta na imagem (reflectncia), ao tipo de solo e a declividade do relevo. Neste sentido, verifica-se que subclasses como algodo-1, cana-de-acar-3, cana-de-acar-4, mata ciliar, milho e solo exposto apresentam mais de 80% de associao em seus pixels. Este resultado est associado a estas subclasses se apresentarem no mesmo tipo de solo e relevo e, ainda com tonalidades de cinza na imagem Landsat-TM5 bastante diferentes das outras categorias. Contudo, a amostra cana-de-acar-3 apresenta um resultado (1), ou seja, 100% de pertinncia, pois possui apenas uma amostra bem diferenciada das outras. importante ressaltar que na subclasse cana-de-acar, cerrado, milho-1 e pastagem, o nvel de associao considerado abaixo do limiar de concordncia estipulado por Eastman (2006) que (0,5). Portanto, tais classes podem apresentar maiores confuses, podendo ser subestimadas ou superestimadas. Neste caso, importante perceber a complexidade das amostras destas categorias, sobretudo, que se apresentam na rea de estudo em diferentes tipos de solo e declividade. Um exemplo importante a subclasse pastagem, pois se apresenta em neossolos quartzarenicos e latossolos e ainda em reas com mdio e altos declives e areas planas. 88
No caso da associao para a subclasse cana-de-acar, pode haver uma maior confuso com subclasses de algodo, milheto bravo e milho, pois esta categoraia se apresenta com diversas plantaes na rea em estudo, pois representa uma cultura importante na bacia para atender a demanda da usina de acar e alcool Pantanal. A subclasse cerrado, confundiu-se com as subclasses de cana-de-acar, solo exposto e, principalmente com a classe mata ciliar. No caso do cerrado, supostamente a confuso tenha sido ocasionada pela similaridade dos niveis de cinza da imagem e por se apresentarem em sua maioria nos mesmos tipos de solo e declividade, haja visto, que as subclasses cerrado e mata ciliar esto presente em sua maioria em reas prximas aos cursos de gua. A classe milho-1 confundido com as subclasses do algodo, crolatria, milheto bravo, pastagem e principalmente com as subclasses de cana-de-acar. Pois estas subclasses esto apresentadas em sua maioria nos mesmos tipos de declividade e solos e seus nveis de cinza se apresentam de forma bastante complexos ou prximos.
5.7.2. Resultado do mapa temtico do modelo fuzzy com o uso da imagem Landsat-5 TM e os layers de solos e declividade
Na anlise da classificao da imagem Landsat-TM5 pelo mtodo fuzzy representado na figura 34, verifica-se que h a ocorrncia de alguns fatores que contriburam significativamente para os resultados. Um dos motivos da confuso de algumas das classes, no caso superestimao e comisso, supostamente, podem ser pelo fato da data da imagem processada ser mais de um ms aps as campanhas de campo. Outra questo importante para a classificao, o numero de amostras coletadas em campo, pois em algumas classes como pastagem, foram coletadas grande quantidade de amostras (51), enquanto classes como algodo-1, cana-de-acar-3, cana-de- acar-4 e solo exposto, apenas (1) amostra. Veja quadro 2 no captulo metodologia. Baseando-se no trabalho desenvolvido por Silva (2010), o ms de abril fundamental para a classificao das lavouras agrcolas, pois neste momento se encontram em pleno desenvolvimento fenolgico. J no ms de maio, perodo de 89
coleta dos dados deste trabalho, o momento onde algumas culturas apresentam seu estgio final. Com a limitao da imagem por conta da nebulosidade, fez-se a utilizao da imagem do ms seguinte, junho, e conforme o autor citado acima, no considera um perodo ideal, pois alm de algumas culturas j terem sido colhidas, suas assinaturas podem ser bastante confusas. No caso do modelo fuzzy, sua finalidade diminuir a importncia das assinaturas da imagem, porm as assinaturas ainda tm grande interferncia na classificao final. Desta maneira, este fator, possivelmente teve grande relevncia para o trabalho, pois as assinaturas da imagem aps um perodo com mais de 30 dias depois da coleta dos dados de campo, ocasionaram mudana considervel nos nveis de cinza da imagem. Pois propiciam diferenas na umidade e por tanto, tonalidades, sendo que maio o ltimo perodo chuvoso e junho comea a estiagem, assim, como na idade, tamanho e/ou estgio da plantas cultivadas e conseqentemente no comportamento fenolgico das mesmas.
Figura 34: Resultado final da classificao fuzzy para as classes de uso da terra.
90
5.8. Validao da classificao fuzzy
Considerando que valores prximos a (1) indicam plena coincidncia entre a verdade terrestre e o resultado da classificao, enquanto que os valores prximos a (0) sugerem que o resultado puramente gerado ao acaso, o coeficiente Kappa o mtodo mais indicado e conhecido para aferio das classificaes temticas (MOREIRA, 2001). Este mtodo considera todos os elementos da matriz de confuso gerada na classificao fuzzy integrada, apresentada na tabela 4, onde observa-se que as classes esto representadas pelos cdigos de 1 a 9, (1) classe algodo, (2) cana- de-acar, (3) cerrado, (4) crolatria, (5) mata ciliar, (6) milheto bravo, (7) milho, (8) pastagem e (9) solo exposto. Quanto s classes representadas, tem-se a classe (4) crolatria, considerada com erro total de acordo com os dados de verdade de campo. Diante disso, a tabela evidencia o que consta na figura 29, que representa a referente classe com pouca expressividade e, portanto com erro total para os pixels amostrados da imagem classificada que foram cruzados com o parmetro de verdade de campo. Portanto, foi notrio que as classes que no obtiveram xito na classificao, foram evidenciadas pelo condicionamento dos graus de pertinncia entre as culturas. No caso da crolatria, possvel perceber que confunde com vrias classes, o que supostamente contribui para o erro temtico, levando ainda em considerao a pequena quantidade de amostras. No caso desta classe, apenas (2) amostras de campo, verificadas no quadro 2 apresentado na metodologia. Importante citar a classe milheto bravo, que teve uma considervel confuso com a classe de cana-de-acar, expresso na tabela de pertinncia 3, pois as limitaes do trabalho contriburam para a complexidade dos nveis de cinza, que tornaram algumas classes, sobretudo com amostras pouco significativas, difceis de serem precisadas pelo modelo de classificao incorporado pela lgica fuzzy. A classe solo exposto, tambm apresentou um erro relativamente importante. Supe-se que o erro desta categoria tenha ocorrido devido ao nmero reduzido de amostras de campo (1), e ainda a limitao da imagem processada ser de um ms aps coleta dos dados de campo, o que ocasionou maiores complexidades para os nveis de cinza da imagem. 91
No caso das demais classes, foram consideradas a acurcia com nveis maiores que 50 % tendo em destaque a classe mata ciliar que obteve acerto de 100 % da rea classificada no cruzamento dos dados. Desta maneira, o ndice de Kappa foi de (0, 8432), apresentado abaixo na tabela 4. possvel afirmar que se obteve uma classificao com nvel bom a excelente de acordo com os parmetros de Landis e Koch (1977), representado na tabela 2, descritos na metodologia deste trabalho.
92
Tabela 4. Matriz de erro do cruzamento do modelo da classificao fuzzy com os dados de campo (verdade de campo) gerado pelo Idrisi Andes.
Contudo, importante destacar que o modelo incorporado no trabalho, foi importante para a classificao de uso da terra, tendo uma acurcia que condiz com as realidades de classificao desenvolvidas por diferentes modelos e classificadores convencionais. Desta maneira, muito provvel que, com novas simulaes, ocorram mudanas e algumas melhorias na classificao, levando em considerao novos dados de campo que combinem com a data da imagem e coletas e recoletas em perodos mais apropriados, como destaca o trabalho de Silva (2010).
94
Consideraes Finais
A proposta apresentada por este trabalho teve como base o uso de imagem de mdia resoluo espacial com a incorporao dos fatores solo e declividade para classificar o uso da terra na bacia Tenente Amaral. Desta maneira a metodologia apresentada buscou diferenciar os principais tipos de cultivos agrcolas e pastagens na referente bacia, por meio de tcnicas classificatrias em processamento digital de imagens de satlites e de variveis ambientais da bacia. Neste sentido, foram necessrios inmeros estudos com base em dados secundrios e de campo para gerar o modelo proposto para o trabalho, levando em considerao que as pastagens e culturas agrcolas podem ter as mesmas respostas espectrais. O modelo incorporado pela lgica fuzzy trouxe avanos para a classificao do uso da terra, haja vista que o fator solos e declividade tiveram fundamental acuidade em seus resultados. O software Idrisi demonstrou que este mtodo incorporado em seu sistema, pode servir como subsdios para gerar outros modelos de classificao baseados em lgica fuzzy com a incorporao de outros fatores, ambientais ou sociais, para classificar diferentes usos em diferentes recortes espaciais. Contudo, o resultado demonstrou que a incorporao do modelo fuzzy trouxe contribuio para a classificao, pois em teste de classificao utilizando-se apenas das bandas 3, 4 e 5 da Imagem Landsat-5 TM, foi notrio os erros conferidos nesta classificao por abordagem fuzzy. Desta maneira, percebe-se a necessidade de um conhecimento geogrfico para a incorporao de modelos que possam contribuir para uma melhor classificao do uso da terra, dentro da perspectiva da geografia, no contexto da relao sociedade / natureza. Quanto aos aspectos avaliativos do modelo empregado neste trabalho, pode- se afirmar que foi bom a excelente, pois de acordo com a validao feita pelo Idrisi com a incorporao do ndice de Kappa, o resultado foi satisfatrio. Desta forma, espera-se que o desenvolvimento dessa metodologia, utilizando- se do conhecimento dos fatores ambientais influenciadores na determinao do cultivo de lavouras e das pastagens venha contribuir no mapeamento e definio dos mesmos, pois de acordo com os resultados, esta metodologia pode proporcionar 95
maior confiabilidade no suporte ao planejamento territorial, possibilitando uma melhor tomada de deciso em previso de safras, previso de produtividade agrcola etc. No entanto, importante frisar que os resultados desta pesquisa podem e devem ser melhor avaliados de acordo com os aspectos sociais e ambientais da rea em estudo. Assim, muito provvel que com novos ajustes e incorporao de novos dados, o trabalho possa ser melhorado e obter novas classificaes do uso da terra com maior confiabilidade.
96
Referncias Bibliogrficas
ANTUNES, Felipe B. Classificao de ambiente ciliar baseada em orientao a objeto em imagens de alta resoluo espacial. Tese (Doutorado em cincias geodsicas) Universidade Federal do Paran, Curitiba. 2003.
BARBOSA, Ana Paula. Comparao de Mtodos de Classificao de Imagens, Visando o Gerenciamento de reas Citrcolas. Dissertao (Mestrado em Agronomia) Faculdade de Cincias Agronmicas da UNESP Campus de Botucatu. So Paulo. Botucatu, 2009.
BELTRAME, Angela da Veiga. Diagnstico do Meio Fsico de Bacias Hidrogrficas. Modelo e Aplicao. Florianpolis: UFSC. Universidade Federal de Santa Catarina, 1994. 112p.
BERNARDES. et al. Avaliao da acurcia do mapeamento do uso da terra no complexo Serra Negra, Patrocionio, MG, por interpretao visual e classificao automtica de imagens Landsat. In: Anais XIII Simpsio Brasileiro de Sensoriamento Remoto, Florianpolis, Brasil, 21-26 abril 2007, INPE, p. 5587- 5594.
BURROUGH, P. Dynamicmodelling and geocomputation: A primer. P. Longley, M. Batty and R. McDonnel. London, John Wiley & Sons.
CADENA, Germn Torrijos; GALO, Maria de Lourdes Bueno Trindade. Classificao Spervisionada Utilizando Classificadores Fuzzy e por Mxima Verossimilhana. XIV Simpsio Internacionl Selper Mxico. Noviembre de 2007. P. 001-007.
CHRISTOFOLETTI, Antnio. A Geografia fsica nos estudos de mudanas ambientais. So Paulo: Edgard Blucher, 1999.
CLARK LABS, IDRISI Andes Guide to Gis and Image Processing. Clark University: Worcester, MA. USA, (2006). 97
CONGALTON, R,G.; ODERWALD, R.G.; MEAD, R.G. Assessing Landsat classifiation accuracy using discrete multivariate statistical techniques. Photogrammetric Engineering and Remote Sensing, v.49, n.12, p. 1671-1678, 1981.
DELARCO, J. O.; SILVA, R. H. da.; TARAPANOF, I.; FREIRE, F. A. ; PEREIRA, L.G. de. M.; SOUZA, S. L. de.; LUZ, D. S. da.; PALMEIRA, R. C. de. B. & TASSINARI, C. C. G. 1982. Geologia, Folha SE.21/Corumb e Parte da Folha SE.20. BRASIL/Ministrio de Minas e Energia, Secretaria Geral, Projeto RADAMBRASIL (Levantamento dos Recursos Naturais, 27), p. 25 110, Rio de Janeiro, RJ.Braun (1962).
DELGADO, M. R D. B. da S. Projeto automtico de sistemas nebulosos: uma abordagem co-evolutiva. UNICAMP, Campinas, SP, 2002. 186p. (Tese de Doutorado).
DERBY, O. A. 1878. A Geologia da Regio Diamantfera da Provncia do Paran no Brasil. Archivos do Museu Nacional, (3): 89 98, Rio de Janeiro. DURAND-DASTES, F. 1968. Climatologie. Encyclopaedia Universalis France, 4, p. 618 624, Paris, France.
EASTMAN, J.R. IDRISI 15: The Andes Edition. Worcester, MA: Clark University, 2006.
ESPNDOLA, Evaldo L. G. et al. A Bacia Hidrogrfica do Rio Monjolinho: uma abordagem ecossistmica e a viso interdisciplinar. So Carlos: Rima, 2000. 188p.
ESTIENNE, P & GODARD, A. 1970. Climatologie. Armand Colin Colection U, 365 p, Paris, France.
FORMAGGIO, A.R. et al. Sensoriamento remoto na agricultura: conceitos bsicos, metodologia e aplicaes. So Jos dos Campos: INPE, p. 217, 1989.
FLORENZANO, T. G. Imagens de satlite para estudos ambientais. So Paulo: Oficina de Texto, 2002.
FOODY, G. M. The continum of classification fuzziness in thematic mapping. Photogrammetric Engineering and Remote Sensing. v. 65,n.4, p. 443-451, 1999.
FURAST, P.A. Normas tcnicas para trabalho cientfico. Explicitao das normas da ABNT. 13. Ed. Porto Alegre, 2005.
HOFFER, R. M. Biological and physical considerations in applying computer-aided analysistechniques to remote sensor data. In: SWAIN, P.H.; DAVIS, S.M. ed. Remote sensing: thequantitative approach. New York: McGraw-Hill, 1978.
INSTITUTO NACIONAL DE PESQUISAS ESPACIAIS (INPE). Catlagos de imagens Landsat. In <www.inpe.br>. Acesso em 03/11/2010.
INSTITUTO BRASILEIRO DE GEOGRAFIA E ESTATISTICA- IBGE. Disponvel em <http// www.ibge.gov.br/>. Acesso em: 10 de Maio de 2011.
JENSEN, J. Introductory Digital Image Processing: A Remote Sensing Perspective. Englewood Cliffs, New Jersey: Prentice-Hall. 1996.
KER, J. C.; PREREIRA, N. R.; CARVALHO JNIOR, W. de. & CARVALHO FILHO, A. de. 1990. Cerrados: Solos, Aptido e Potencialidade Agrcola. In: SIMPSIO SOBRE MANEJO E CONSERVAO DO SOLO NO CERRADO, Goinia, GO, Ed. Fundao Cargill, p. 1 19, Goinia, GO.
99
LEITE, Emerson.; ROSA, Roberto. Estudo da Geografia Fsica em bacias hidrogrficas sob a tica da paisagem integrada. UFU/IG.S/D.
LILLENSAND,T.; KIEFER, R.W. Remote Sensing and Image interpretation.3. ed. New York John wiley e Sons, 1994.
MAITELLI, G. T. A hidrografia no contexto regional. In Geografia de Mato Grosso. Territrio. Sociedade. Ambiente. Orgs. MORENO, G. e HIGA. T.C.S. Cuiab: Entrelinhas, 2005.
MAITELLI, G. T. Interaes atmosfera- superfcie. In Geografia de Mato Grosso.Territrio. Sociedade. Ambiente. Orgs. MORENO, G. e HIGA. T.C.S. Cuiab: Entrelinhas, 2005.
MATHER, P. M; TSO, B. Classification Methods for Remotely Sensed Data. London and New York: Taylor & Francis, 2001. 332 p.
_____________;MOREIRA, F. R.; ALMEIDA, C. M. de; Tcnicas de inferncia espacial. In: MEIRELLES, M. S. P.; CMARA, G.; ALMEIDA, C. M. de Geomtica, modelos e aplicaes ambientais. Ed. Tec. Braslia- DF: Embrapa informao Tecnolgica, 2007. 593p.
MOREIRA, M. A. Fundamentos do sensoriamento remoto e metodologias de aplicaes. Viosa: UFV, 2. ed., 2003. 307p.
MOREIRA, M. A. Fundamentos do sensoriamento remoto e metodologias de aplicao. So Jos dos Campos: Instituto Nacional de Pesquisas Espaciais (INPE), 2001.
MORENO, G. Agricultura: transformaes e tendncias.In Geografia de Mato Grosso.Territrio. Sociedade. Ambiente. Orgs. MORENO, G. e HIGA. T.C.S. Cuiab: Entrelinhas, 2005.
NASCIMENTO, L.A. Anlise fisiogrfica e geolgica ambiental da bacia hidrogrfica do rio das pombas nos municpios de dom Aquino e So Pedro da cipa MT, com nfase aos recursos pedolgicos e hdricos. Dissertao (mestrado- programa de ps graduao em Geografia). Universidade Federal de Mato Grosso, 2008.
NOGUCHI, M. T. Um sistema baseado em regras fuzzy para a classificao supervisionada de imagens multiespectrais de alta resoluo. Dissertao (mestrado em informtica) programa de ps graduao em informtica Curitiba. UFP, 2004.
PRADO, Fernanda de Almeida.; GALO.; Maria de Lourdes. Classificao de imagens multiespectrais baseada em abordagens fuzzy.Revista brasileira de cartografia, So Paulo, n.61/03, p. 233-244. 2009.
RICHARDS, J. A.; JIA, X., Remote sensing digital image analysis:an introduction, 3Edition. New York: Springer Verlag.1999. 363p.
SANTOS, E. L. dos.; SILVA, L. C. da.; ORLANDI FILHO, V.; COUTINHO, M. G. da. N..; ROISENBERG, A.; RAMALHO, R. & HARTMANN, L. A. 1982. Os Escudos Sul- Riograndense e Catarinense e a Bacia do Paran. In: Geologia do Brasil, Cap. 7. Coordenadores, Schobbenhaus et al., 1984, p. 331 355.
SANTOS, V, S. Anlise ambiental integrada do componente solo como subsdio para a avaliao da sustentabilidade da bacia hidrogrfica do rio Tenente Amaral em Jaciara-MT-Brasil. So Carlos: UFSCar, 2007. Tese (doutorado). Universidade Federal de So Carlos, Programa de ps- graduao em Ecologia e recursos naturais do centro de cincias biolgicas e da sade, 2007.
SEPLAN. Formaes Geolgicas Petrleo do Brasil S/A, 1998. 101
SEPLAN. Mato Grosso: Solos e Paisagens. Cuiab, Entre Linhas Editora, 2007.
STEVEN, MD. JAGGARD, K. W. Advances in crop monotiring by remote sensing. In: Danson, F.M; Plummer, S.E. ed. Advances In: Environmental remote sensing. Englan d.Baffins Lane.Wiley, 2002, Cap. 9, p.143-156.S.
TARDY, Y. 1986. Le Cycle de LEau - Climats, Paleoclimats et Gochimie Globale. Masson Editeurs, Paris, 338 p.
TRICART, Jean. ecodinmica. IBGE/SUPREM. Rio de Janeiro-RJ, 1997. 91p.
WANG, F.; BRENT HALL, G.; SUBARYONO. Fuzzy information representation and processing in conventional GIS software: database design and application. International Journal Geographical Information Systems, v. 4, n.3, p. 261-283, 1990.
ZADEH, L. A. Fuzzy sets and systems. International Journal of General Systems, v. 17, p. 129-138, 1990.
ZADEH, L. A. Fuzzy sets. Information and Control, v. 8, p. 338-353, 1965.
ZHANG, J; STUART, N. Fuzzy methods for categorical mapping with image-based land cover data. International Journal Geographical Information Science, v. 15, n. 2, p. 175-195, 2001.